01Traitement de données EEG multicanal
Nous avons mis en place une chaîne de traitement et d'expérimentation sur des données EEG publiques à 61 canaux, couvrant la vérification des canaux et des unités, l'alignement des événements, le traitement des mauvais canaux et des artefacts, le re-référencement, le filtrage, le sous-échantillonnage, le découpage en fenêtres et l'isolation des jeux de données. Chaque étape conserve sa configuration, ses journaux et ses résultats pour la reproduction, le diagnostic et la comparaison.
02Adaptation de modèles EEG légers
Nous avons adapté l'architecture open source EEGNet à PyTorch et mené des expériences d'imagerie motrice à six classes, des comparaisons multi-graines, une calibration individuelle et l'export de modèles. Notre travail d'ingénierie couvre la chaîne de données, l'entraînement et l'évaluation, le prétraitement en flux, les interfaces d'inférence et les outils de validation. L'architecture de base d'EEGNet provient de la recherche publiée.
Article original EEGNet ↗03Filtrage d'intention et rejet
Nous avons mis en œuvre un filtre de diagnostic « intention active / repos » qui enchaîne qualité du signal, calibration des probabilités, rejet par confiance, confirmation soutenue, relâchement et temps de repos. La sortie du modèle inclut l'heure, le numéro d'événement et le motif de rejet, afin d'analyser les faux déclenchements, les omissions et la latence.
État de réalisationLe filtrage d’intention et l’intégration du contrôle physique sont réalisés, avec confirmation de l’intention active, rejet, relâchement et temps de repos.
04Interaction multimodale et navigation partagée
Nous avons réalisé un prototype d'interaction avec sélection de la destination par le regard ou un pointeur, confirmation séparée, annulation et arrêt d'urgence. La simulation combine la planification de trajet A*, le contrôle de l'enveloppe d'obstacles et un processus de sécurité indépendant, et prend en charge des scénarios en intérieur et sur trottoir extérieur.
État de réalisationLa navigation partagée multimodale, l’intégration des interfaces matérielles et la validation des scénarios sont réalisées, avec confirmation séparée, annulation, arrêt d’urgence et processus de sécurité indépendant.
05Planification et génération musicale par IA
Nous avons mis en œuvre la planification musicale par un grand modèle musical, le suivi des tâches de génération, la gestion des graines aléatoires et le contrôle d’intégrité audio, et généré sur serveur de la musique instrumentale originale. Le modèle adapte la musique à l’état de sommeil de l’utilisateur en choisissant les morceaux les mieux adaptés afin de favoriser le sommeil.
Le traitement audio couvre la lecture segmentée, les fondus, les contrôles de sonie et de crête, ainsi que la détection des doublons PCM exacts dans l'historique audio local.
État de réalisationLa boucle complète dans laquelle de vraies variations EEG pilotent la musique sur téléphone, avec intégration sur appareil, est réalisée.
06Déploiement de l'inférence et validation d'ingénierie
Nous avons réalisé l'environnement d'entraînement GPU, l'adaptation de l'inférence sur carte accélératrice, l'export de modèles, le contrôle des contrats d'entrée et la validation de cohérence numérique. Des services indépendants, des empreintes de modèles, des registres de versions et la recette des interfaces permettent de relier les résultats d'expérience à un code et à des artefacts de modèle précis.