Grensbewuste Contextverankering voor een Laagkanaal EEG-agent

Samenvatting

Grote taalmodellen (LLMs) kunnen wetenschappelijke software gebruiksvriendelijker maken. Een algemeen model weet echter niet automatisch welke metingen een bepaalde sensor ondersteunt, welke algoritmen in de huidige software zijn geïmplementeerd of welke conclusies gerechtvaardigd zijn op basis van een berekend resultaat. Deze onderscheidingen zijn vooral belangrijk voor laagkanaals elektro-encefalografie (EEG), waar een dunne ruimtelijke dekking en variabele signaalkwaliteit het gemakkelijk maken om plausibele maar niet ondersteunde interpretaties te produceren. We presenteren NeuraDock Agent, een open-source architectuur die een deterministische lokale EEG-engine scheidt van een hardwarebewuste taallaag. De numerieke engine parseert opnames, voert kwaliteitscontrole uit, voert beoordeelde spectrale workflows uit en schrijft machineleesbare artefacten. De LLM ontvangt alleen een compacte, toegestane samenvatting en een versiebeheerd contextpakket. De context beschrijft de zevenkanaals hardware, beoordeelde workflows, resultaatvelden, implementatiegrenzen, wetenschappelijke limieten en referentiegevallen. Ruwe EEG en dichte per-sample arrays blijven lokaal. We evalueren het systeem op drie niveaus. Ten eerste produceerden 12 opnames identieke gestructureerde resultaten over tien numerieke herhalingen, en een volledige Rust/Taak-run produceerde identieke hashes van resultaat, rapport en figuur over drie herhalingen. Ten tweede bevestigden request-capture en failure-injection experimenten de geteste datagrens en het behoud van lokale artefacten bij HTTP-, misvormde uitvoer- en verbindingsfouten. Ten derde testte een boundary-awareness benchmark 36 gewone en vijandige vragen onder vier contextablatie en twee LLMs, wat 288 outputs opleverde. Deze resultaten ondersteunen hardware- en implementatiebewuste verankering als een praktisch mechanisme voor het kalibreren van wat een EEG-agent accepteert, kwalificeert of weigert; ze vestigen geen klinische validiteit of een gevalideerde absolute cognitieve belastingsindex.

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.