Контекстная привязка с учетом границ для малоканального ЭЭГ-агента

Аннотация

Большие языковые модели (LLM) могут упростить использование научного программного обеспечения. Однако общая модель не знает автоматически, какие измерения может поддерживать конкретный датчик, какие алгоритмы реализованы в текущем программном обеспечении или какие выводы обоснованы полученным результатом. Эти различия особенно важны для малоканальной электроэнцефалографии (ЭЭГ), где разреженное пространственное покрытие и изменчивое качество сигнала позволяют легко получать правдоподобные, но необоснованные интерпретации. Мы представляем NeuraDock Agent — открытую архитектуру, которая разделяет детерминированный локальный движок ЭЭГ и аппаратно-осведомлённый языковой слой. Численный движок разбирает записи, выполняет контроль качества, реализует проверенные спектральные рабочие процессы и создаёт машиночитаемые артефакты. LLM получает только компактную допустимую сводку и версионированный контекстный пакет. Контекст описывает семиканальное оборудование, проверенные рабочие процессы, поля результатов, границы реализации, научные ограничения и эталонные случаи. Сырые данные ЭЭГ и плотные поэлементные массивы остаются локальными. Мы оцениваем систему на трёх уровнях. Во-первых, 12 записей дали идентичные структурированные результаты при десяти численных повторениях, а полный запуск Rest/Task дал идентичные хеши результатов, отчёта и рисунков при трёх повторениях. Во-вторых, эксперименты по захвату запросов и внедрению сбоев подтвердили протестированную границу данных и сохранение локальных артефактов при сбоях HTTP, некорректного вывода и подключения. В-третьих, тест осведомлённости о границах проверил 36 обычных и конфронтационных вопросов при четырёх абляциях контекста и двух LLM, что дало 288 выходов. Эти результаты подтверждают привязку, учитывающую аппаратные и реализационные особенности, как практический механизм калибровки того, что агент ЭЭГ принимает, квалифицирует или отклоняет; они не устанавливают клиническую валидность или валидированный абсолютный индекс когнитивной нагрузки.

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.