ChatBCI, een P300-speller BCI met contextgestuurde woordvoorspelling die gebruikmaakt van grote taalmodellen, van concept tot evaluatie

Een stem geven aan gedachten

Voor mensen die niet kunnen spreken of zich moeilijk kunnen bewegen, kan het communiceren van zelfs een eenvoudige vraag traag en uitputtend zijn. Deze studie presenteert ChatBCI, een brain–computer interface waarmee gebruikers woorden op een scherm kunnen spellen met alleen hun hersensignalen, terwijl een krachtig taalmodel (vergelijkbaar met ChatGPT) voorspelt wat ze waarschijnlijk willen zeggen. Door hersensignalen te combineren met slimme woordvoorspelling, streeft het systeem ernaar communicatie sneller, minder belastend en meer gelijk aan alledaagse gesprekken te maken.

Hoe het brein met een computer spreekt

ChatBCI bouwt voort op een bekende methode genaamd de P300-speller. Bij deze opstelling knippert een raster met letters en functietoetsen op een computerscherm. Wanneer een gebruiker stilletjes focus legt op de gewenste letter, produceert zijn of haar brein een korte, kenmerkende reactie ongeveer 300 milliseconden nadat de rij of kolom met die letter knippert. Elektroden op een EEG-cap registreren deze kleine spanningsveranderingen en software detecteert welke rij en kolom de sterkste respons gaven, wat de bedoelde toets onthult. Traditioneel moeten gebruikers elke letter één voor één kiezen, wat nauwkeurig is maar pijnlijk traag en mentaal belastend voor lange zinnen.

Toevoegen van slimme woordvoorspelling

De innovatie in ChatBCI is het direct koppelen van een groot taalmodel aan dit spellingproces. Het on-screen toetsenbord toont nog steeds letters, maar hieronder verschijnen nu ook tien woordsuggesties langs de zijkanten—kandidaten die in realtime door een online GPT‑3.5-model worden geleverd. Zodra de gebruiker een deel van een woord of een korte zin spelt, wordt die gedeeltelijke zin als tekst naar het taalmodel gestuurd. Een zorgvuldig opgestelde prompt instrueert het model om een compacte lijst met waarschijnlijke volgende woorden of voltooiingen terug te geven. Het systeem verwerkt deze respons en maakt van elk voorgesteld woord een selecteerbare toets op het toetsenbord. Het kiezen van een van deze suggesties voegt direct het hele woord (of zelfs een korte zinswending) in en voegt een spatie toe, zodat de gebruiker zinnen veel sneller kan bouwen dan door letters één voor één te kiezen.

ChatBCI op de proef gesteld

Zeven vrijwilligers testten ChatBCI in meerdere fasen. Eerst werden hun individuele hersenpatronen opgenomen terwijl ze op bekende toetsen concentreerden, zodat het systeem een classificator kon trainen die het P300-signaal herkent. Daarna voerden ze twee realistische tekstinvoertaken uit. In een copy-spellingtaak koos elke deelnemer een afbeelding, bedacht een betekenisvolle zin hierover (zoals een verzoek om water of naar het toilet) en spelde die zin vervolgens op twee manieren: eenmaal met ChatBCI met woordsuggesties en eenmaal met een traditionele letter-voor-letter modus zonder suggesties. In een tweede, improvisatietaak werden zij gevraagd vrij een eigen zin te componeren te beginnen met een gekozen letter, waarbij zij werden aangemoedigd zoveel mogelijk op de voorgestelde woorden te vertrouwen in plaats van alles vanaf nul te spellen.

Snellere berichten, minder toetsaanslagen

De resultaten lieten duidelijke voordelen zien van het combineren van hersensignalen met taalvoorspelling. In de copy-spellingtaak verkortte het gebruik van ChatBCI de gemiddelde tijd om een zin te schrijven van ongeveer 28 minuten tot ruwweg 10 minuten—een reductie van 62%—terwijl ook de snelheid van correct getypte tekens per minuut meer dan verdubbelde. Het aantal benodigde toetsaanslagen daalde met ongeveer de helft en de nauwkeurigheid verbeterde: gebruikers eindigden vrijwel altijd met perfect gespelde zinnen wanneer ze ChatBCI gebruikten. Om vast te leggen hoeveel werk het systeem bespaart, gebruikten de auteurs een maat voor “keystroke savings” en een nieuwe “keystroke savings deficit ratio”, die de prestatie vergelijken met geïdealiseerde systemen die altijd het juiste woord na één of twee acties zouden raden. In de vrije improvisatietaak behaalde ChatBCI gemiddeld ongeveer 81% keystroke savings, en soms zelfs betere resultaten dan de theoretische grenzen omdat het taalmodel af en toe multi-woordfrases voorstelde die met één selectie konden worden ingevoegd.

Wat dit betekent voor communicatie in de praktijk

Voor alledaagse gebruikers—vooral zij met ernstige bewegings- of spraakbeperkingen—is de kernuitkomst eenvoudig: ChatBCI laat mensen meer zeggen met minder mentale inspanning en in veel minder tijd. Door taalvoorspelling uit te besteden aan een extern groot taalmodel, vermijdt het systeem de noodzaak voor lokale training of grote woordenboeken, en past het zich toch aan aan welke zin de gebruiker ook wil maken. Hoewel verder onderzoek nodig is in klinische populaties en om privacy, kosten en betrouwbaarheid van cloudgebaseerde taalmodellen aan te pakken, toont deze studie aan dat het koppelen van herseninterfaces aan moderne taaltechnologie langzame, letter-voor-letter spelling kan transformeren naar een meer natuurlijke conversatietool op fraseniveau.

Bronvermelding: Hong, J., Wang, W. & Najafizadeh, L. ChatBCI, a P300 speller BCI with context-driven word prediction leveraging large language models, from concept to evaluation. Sci Rep 16, 6379 (2026). https://doi.org/10.1038/s41598-025-25660-7

Trefwoorden: brain-computer interface, P300 speller, ondersteunende communicatie, woordvoorspelling, grote taalmodellen