Classer des états cognitifs à partir d’EEG avec CNN et GRU

Du signal bruité à la classe

K. A. Januka S. Fernando et Harshit Srivastava étudient la classification d’états de repos et d’états cognitifs à partir de signaux d’électroencéphalographie. Leur chaîne combine traitement du signal, analyse temps-fréquence, réseau convolutionnel et unité récurrente GRU, puis compare plusieurs classifieurs.

Trois tâches cognitives

Le résumé rapporte des exactitudes de 83,177 % pour repos contre tâche mathématique, 76,107 % pour repos contre tâche de mémoire et 83,432 % pour repos contre écoute musicale. Le résultat porte sur la discrimination des conditions expérimentales, pas sur un diagnostic neurologique.

Pourquoi le temps et la fréquence comptent

Les filtres, l’ICA, la transformée de Fourier et les représentations temps-fréquence cherchent à isoler des motifs qui évoluent dans le temps. Le CNN extrait des structures locales, tandis que le GRU peut modéliser une dépendance séquentielle. Pour un agent d’analyse, la chaîne de prétraitement fait partie du modèle et doit être conservée avec la prédiction.

Interprétation éditoriale : une classe n’est pas un état mental

Un système de tri EEG doit rapporter la tâche, le protocole, la qualité du signal et le sujet concerné. Une bonne exactitude sur des conditions contrôlées ne justifie pas d’inférer une intention, une capacité ou une pathologie dans un autre contexte.

Limites et statut de la source

Les performances dépendent du protocole EEG, de la population et de la séparation entre sujets et sessions. Le preprint ne transforme pas ces classes expérimentales en outil clinique validé. Les effets d’artefacts, de variations inter-sujets et de généralisation hors laboratoire doivent être évalués avant toute utilisation sensible.

Source

K. A. Januka S. Fernando et Harshit Srivastava, « Deep Learning-Based Classification of Cognitive and Resting States Using Electroencephalography Signals », ArXiv 2609.20467v1 : résumé et preprint, PDF.