PROMPTIF_
Benchmarks

ThinkNet : décoder les signaux EEG sans fuite de données

promptif@ai:~$ cat news_1

› ThinkNet est un framework de recherche conçu par Abdul Basit, Saim Rehman et Muhammad Shafique, retenu pour la conférence IEEE-EMBS BHI 2026.

promptif@ai:~$ cat news_2

› Ce projet cible la classification des signaux EEG enregistrés lors de l'imagination motrice, c'est-à-dire le fait de penser à un mouvement sans l'exécuter physiquement.

promptif@ai:~$ cat news_3

› Ces signaux constituent la base des interfaces cerveau-machine (BCI) exploitées en rééducation motrice et pour les technologies d'assistance.Le piège de la fuite de données dans les interfaces cerveau-machineL'évaluation standard de ces modèles dissimule un écueil méthodologique fréquent : les scores obtenus sur les données de test s'avèrent souvent surévalués lorsque des informations relatives au sujet testé s'immiscent dans l'étape de normalisation, dans le réglage des hyperparamètres ou dans le choix de l'architecture.

promptif@ai:~$ cat news_4

› Les auteurs résument précisément cette faille : « held-out-subject performance can be overstated when test-subject information influences preprocessing, model selection, or ensemble selection ».

promptif@ai:~$ open --full
Lire la suite

ThinkNet : décoder les signaux EEG sans fuite de données

Ouvrir l'article sur promptif.fr