SPERA entraîné sur 80 000 heures d'EEG de 29 048 personnes et évalué sur 9 tâches

Les auteurs du préprint arXiv:2610.10571 présentent SPERA (Spherical Prior EEG Representation Architecture), un modèle de fondation pour l'électroencéphalographie. Le pré-entraînement a porté sur environ 80 000 heures d'enregistrements issus de 29 048 participants et de 106 jeux de données. Sur neuf tâches appliquées (cliniques, cognitives et d'interfaces cerveau-machine), le modèle obtient la précision équilibrée moyenne la plus élevée parmi les solutions comparées. Son choix d'architecture central : SPERA prédit les représentations latentes du signal, et non le signal lui-même.

Où les modèles EEG existants atteignent leurs limites

L'EEG enregistre l'activité électrique du cerveau à faible coût et sans intervention invasive, mais bâtir des modèles universels dessus reste difficile. Les enregistrements varient selon les participants, le matériel et le montage : certains appareils comptent 19 électrodes, d'autres plus d'une centaine, et leur placement diffère. Un modèle habitué à un schéma donné performe moins bien sur un autre.

Le second problème tient à la fonction objectif. La plupart des modèles de fondation EEG actuels apprennent par reconstruction : on masque une partie du signal et on demande au modèle de la restituer. Or l'enregistrement observé ne contient pas seulement de l'activité neuronale, mais aussi des composantes non neuronales, c'est-à-dire du bruit et des artefacts. Un modèle qui cherche à reproduire fidèlement le signal est obligé de consacrer une partie de sa capacité à les modéliser aussi.

Comment fonctionne SPERA

Les auteurs s'appuient sur JEPA (joint-embedding predictive architecture) : la prédiction se fait dans l'espace latent, où une partie du bruit peut être ignorée. Trois adaptations à l'EEG viennent compléter ce schéma.

• Prior spatial fondé sur les polynômes de Legendre. Intégré à l'attention, il encode la géométrie de la disposition des électrodes sur le cuir chevelu. Un seul modèle peut ainsi gérer des montages différents.
• Attention factorisée. L'attention temporelle et l'attention spatiale alternent, avec des blocs d'attention complète à intervalles réguliers.
• Régularisateur spectral relationnel. Il aligne la structure de similarité dans l'espace latent sur les représentations spectrales du signal, c'est-à-dire sur les rythmes fréquentiels qui fondent une grande partie de l'analyse EEG.

Paramètres clés tirés de l'abstract :

• volume de pré-entraînement : environ 80 000 heures d'EEG ;
• participants : 29 048 ;
• sources de données : 106 jeux de données ;
• évaluation : neuf tâches downstream, métrique balanced accuracy ;
• les auteurs revendiquent en outre une efficacité paramétrique en linear probing et une robustesse à différentes conditions d'enregistrement.

Le dernier point a une importance pratique. Le linear probing gèle le backbone et n'entraîne qu'une tête linéaire au-dessus des représentations. Si la qualité se maintient, c'est que les embeddings sont réellement informatifs et qu'ils ne nécessitent pas de fine-tuning lourd pour chaque tâche.

Applications et points de vigilance

Pour l'instant, il s'agit d'un préprint, et l'abstract ne donne ni valeurs précises des métriques ni noms des modèles auxquels SPERA a été comparé. La revendication de première place en précision moyenne doit être vérifiée dans les tableaux complets : une moyenne sur neuf tâches peut masquer des échecs sur certaines d'entre elles. Il faut aussi regarder quels jeux de données entrent dans le pré-entraînement et s'ils recoupent ceux des tests, un point faible fréquent des benchmarks EEG.

Si ces revendications se confirment, trois groupes y gagnent. Les équipes cliniques pourront construire des détecteurs sur de petits échantillons annotés, via une tête linéaire posée sur un backbone prêt à l'emploi. Les développeurs de BCI pourront dépendre moins d'un casque ou d'un schéma d'électrodes particulier. Les chercheurs en cognition disposeront d'un modèle de base unique, à la place d'un ensemble d'architectures spécialisées.

Le test pratique pour n'importe quelle équipe est le suivant : prendre ses propres données avec un montage non standard, geler SPERA, entraîner un classifieur linéaire et comparer le résultat au pipeline actuel. Si le gain se maintient, l'approche par prédiction latente avec prior géométrique s'imposera comme la voie standard pour l'EEG.