저채널 EEG 에이전트를 위한 경계 인식 맥락 정박

초록

대규모 언어 모델(LLM)은 과학 소프트웨어의 사용 편의성을 높일 수 있다. 그러나 일반 모델은 특정 센서가 어떤 측정을 지원하는지, 현재 소프트웨어에 어떤 알고리즘이 구현되어 있는지, 혹은 계산된 결과로부터 어떤 결론이 정당화되는지를 자동으로 알지 못한다. 이러한 구분은 저채널 뇌전도(EEG)에서 특히 중요하다. 저채널 EEG는 희박한 공간적 커버리지와 가변적인 신호 품질로 인해 그럴듯하지만 근거가 부족한 해석이 쉽게 생성될 수 있기 때문이다. 우리는 결정론적 국소 EEG 엔진과 하드웨어 인식 언어 계층을 분리하는 오픈소스 아키텍처인 NeuraDock Agent를 제시한다. 수치 엔진은 기록을 파싱하고, 품질 관리를 수행하며, 검토된 스펙트럼 워크플로우를 실행하고, 기계 판독 가능 출력물을 작성한다. LLM은 오직 간결한 허용 목록 기반 요약과 버전 관리된 컨텍스트 팩만을 전달받는다. 컨텍스트는 7채널 하드웨어, 검토된 워크플로우, 결과 필드, 구현 경계, 과학적 한계, 그리고 참조 사례를 설명한다. 원시 EEG와 밀집 샘플별 배열은 국소에 남는다. 우리는 시스템을 세 가지 수준에서 평가한다. 첫째, 12개의 기록에 대해 열 번의 수치 반복 실험에서 동일한 구조화된 결과가 생성되었으며, 완전한 휴지/과제 실행에서 세 번의 반복 실험에 걸쳐 동일한 결과, 보고서, 및 그림 해시가 생성되었다. 둘째, 요청 캡처 및 오류 주입 실험을 통해 HTTP, 잘못된 형식의 출력, 연결 오류 상황에서도 테스트된 데이터 경계와 국소 출력물이 보존됨을 확인하였다. 셋째, 경계 인식 벤치마크에서는 네 가지 컨텍스트 제거 조건과 두 가지 LLM 하에서 36개의 일반 및 적대적 질문을 테스트하여 288개의 출력을 얻었다. 이러한 결과는 하드웨어 및 구현 인식 기반 설정이 EEG 에이전트가 수용, 적격 판정, 또는 거부하는 바를 보정하는 실용적 메커니즘임을 뒷받침한다. 단, 이 결과가 임상적 타당성이나 검증된 절대적 인지 부하 지수를 확립하는 것은 아니다.

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.