Fundamentação de Contexto Consciente de Limites para um Agente de EEG de Baixo Canal

Resumo

Grandes modelos de linguagem (GMLs) podem tornar o software científico mais fácil de usar. No entanto, um modelo geral não sabe automaticamente quais medições um sensor específico pode suportar, quais algoritmos estão implementados no software atual ou quais conclusões são justificadas por um resultado computado. Essas distinções são especialmente importantes para a eletroencefalografia (EEG) de baixo canal, onde a cobertura espacial esparsa e a qualidade de sinal variável tornam fácil produzir interpretações plausíveis, porém não fundamentadas. Apresentamos o NeuraDock Agent, uma arquitetura de código aberto que separa um mecanismo determinístico local de EEG de uma camada de linguagem consciente do hardware. O mecanismo numérico processa gravações, realiza controle de qualidade, executa fluxos de trabalho espectrais revisados e escreve artefatos legíveis por máquina. O GML recebe apenas um resumo compacto em lista de permissões e um pacote de contexto versionado. O contexto descreve o hardware de sete canais, os fluxos de trabalho revisados, os campos de resultado, os limites de implementação, as limitações científicas e os casos de referência. O EEG bruto e os arrays densos por amostra permanecem locais. Avaliamos o sistema em três níveis. Primeiro, 12 gravações produziram resultados estruturados idênticos ao longo de dez repetições numéricas, e uma execução completa de Repouso/Tarefa produziu hashes idênticos de resultado, relatório e figura ao longo de três repetições. Segundo, experimentos de captura de requisição e injeção de falhas confirmaram o limite de dados testado e a preservação de artefatos locais sob falhas HTTP, de saída malformada e de conexão. Terceiro, um benchmark de consciência de limites testou 36 perguntas comuns e adversariais sob quatro ablações de contexto e dois GMLs, gerando 288 saídas. Esses resultados apoiam a fundamentação consciente do hardware e da implementação como um mecanismo prático para calibrar o que um agente de EEG aceita, qualifica ou recusa; eles não estabelecem validade clínica ou um índice absoluto validado de carga cognitiva.

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.