Ancrage Contextuel Conscient des Limites pour un Agent EEG à Faible Nombre de Canaux

Résumé

Les grands modèles de langage (LLMs) peuvent rendre les logiciels scientifiques plus faciles à utiliser. Cependant, un modèle général ne sait pas automatiquement quelles mesures un capteur particulier peut prendre, quels algorithmes sont implémentés dans le logiciel actuel, ni quelles conclusions sont justifiées par un résultat calculé. Ces distinctions sont particulièrement importantes pour l'électroencéphalographie (EEG) à faible nombre de canaux, où la couverture spatiale clairsemée et la qualité variable du signal rendent faciles à produire des interprétations plausibles mais non étayées. Nous présentons NeuraDock Agent, une architecture open source qui sépare un moteur EEG local déterministe d'une couche langage sensible au matériel. Le moteur numérique analyse les enregistrements, effectue un contrôle qualité, exécute des workflows spectraux validés et écrit des artefacts lisibles par machine. Le LLM reçoit uniquement un résumé compact et autorisé ainsi qu'un pack de contexte versionné. Le contexte décrit le matériel à sept canaux, les workflows validés, les champs de résultats, les limites d'implémentation, les limites scientifiques et les cas de référence. Les données EEG brutes et les tableaux denses par échantillon restent locaux. Nous évaluons le système à trois niveaux. Premièrement, 12 enregistrements ont produit des résultats structurés identiques sur dix répétitions numériques, et un cycle complet Repos/Tâche a produit des hachages de résultats, de rapports et de figures identiques sur trois répétitions. Deuxièmement, des expériences de capture de requêtes et d'injection de pannes ont confirmé la limite de données testée et la préservation des artefacts locaux en cas d'HTTP, de sortie malformée et de défaillances de connexion. Troisièmement, un benchmark de conscience des limites a testé 36 questions ordinaires et adverses sous quatre ablations de contexte et deux LLMs, produisant 288 sorties. Ces résultats soutiennent un ancrage sensible au matériel et à l'implémentation en tant que mécanisme pratique pour calibrer ce qu'un agent EEG accepte, qualifie ou refuse ; ils n'établissent pas de validité clinique ni un indice absolu validé de charge cognitive.

English

Large language models (LLMs) can make scientific software easier to use. However, a general model does not automatically know which measurements a particular sensor can support, which algorithms are implemented in the current software, or which conclusions are justified by a computed result. These distinctions are especially important for low-channel electroencephalography (EEG), where sparse spatial coverage and variable signal quality make plausible but unsupported interpretations easy to produce. We present NeuraDock Agent, an open-source architecture that separates a deterministic local EEG engine from a hardware-aware language layer. The numerical engine parses recordings, performs quality control, executes reviewed spectral workflows, and writes machine-readable artifacts. The LLM receives only a compact, allowlisted summary and a versioned context pack. The context describes the seven-channel hardware, reviewed workflows, result fields, implementation boundaries, scientific limits, and reference cases. Raw EEG and dense per-sample arrays remain local We evaluate the system at three levels. First, 12 recordings produced identical structured results over ten numerical repetitions, and a complete Rest/Task run produced identical result, report, and figure hashes over three repetitions. Second, request-capture and failure-injection experiments confirmed the tested data boundary and preservation of local artifacts under HTTP, malformed-output, and connection failures. Third, a boundary-awareness benchmark tested 36 ordinary and adversarial questions under four context ablations and two LLMs, yielding 288 outputs.These results support hardware- and implementation-aware grounding as a practical mechanism for calibrating what an EEG agent accepts, qualifies, or refuses; they do not establish clinical validity or a validated absolute cognitive-load index.