Same pipelines, different answers: how evaluation design shapes EEG seizure prediction

z. song; M. Pedersen; D. Henare

doi:10.64898/2026.10.28.26366763

Résumé IA · DOI: 10.64898/2026.10.28.26366763 · medRxiv: Neurology

Same pipelines, different answers: how evaluation design shapes EEG seizure prediction

z. song, M. Pedersen, D. Henare

Article original Publié le 29 Oct. 2026 medRxiv preprint Licence : CC BY-NC-ND 4.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

À pipelines EEG fixes, le découpage des données modifie fortement les performances apparentes, tandis que les seuils choisis en validation se transfèrent mal aux patients inconnus.

Question

Dans quelle mesure les performances de prédiction des crises épileptiques changent-elles lorsque seuls les protocoles d’évaluation varient ? L’étude examine la séparation des patients, des épisodes préictaux et des échantillons, ainsi que le transfert des seuils de décision.

Méthode

Cette étude rétrospective compare cinq pipelines fixes sur CHB-MIT : 17 424 fenêtres EEG de 20 secondes issues de 22 groupes de sujets, répartis selon 20 partitions comprenant chacune 14 groupes d’entraînement, quatre de validation et quatre de test. Un contrôle intra-patient compare PSD+LDA sur 11 cas entre répartition chronologique par blocs préictaux complets et répartition aléatoire à effectifs de classes identiques ; une autre analyse transfère aux sujets inconnus des seuils limitant les faux positifs de validation à 1/60. Un contrôle externe évalue uniquement PSD+LDA, sans réentraînement, sur 13 participants de Siena.

Résultats

Résultat Sur les sujets inconnus, les AUC moyennes regroupées des cinq pipelines vont de 0,527 à 0,553, et les moyennes donnant le même poids à chaque groupe de sujets de 0,502 à 0,523.
Résultat Dans les 11 cas du contrôle intra-patient, PSD+LDA obtient une AUC moyenne de 0,572 avec des blocs chronologiques contre 0,815 avec une répartition aléatoire, sans que cet écart isole une seule source d’optimisme.
Voir le passage dans l’article
Under this design PSD+LDA reached a mean AUC of 0.572, against 0.815 when the same windows were allocated at random with identical class counts.
Résultat Les seuils limitant les faux positifs de validation à 1/60 produisent des proportions moyennes de faux positifs en test de 1,81 à 3,13 %, pour une sensibilité moyenne limitée à 2,33–5,56 % des fenêtres préictales.
Résultat Sur Siena, les modèles PSD+LDA entraînés sur CHB-MIT atteignent sans réajustement une AUC regroupée moyenne de 0,480 ± 0,022.
Voir le passage dans l’article
Applied without any refitting to the 13 Siena participants, the 20 CHB-MIT-trained PSD+LDA fits gave a mean pooled AUC of 0.480 ± 0.022 (participant-macro AUC 0.477 ± 0.024).
Interprétation des auteurs Les auteurs concluent qu’une AUC ne peut être interprétée correctement sans préciser la séparation entre entraînement et test.
Voir le passage dans l’article
Taken together, they mean that a reported AUC is hard to interpret unless one knows across which boundary it was measured.

Limites

Le jeu principal est petit et pédiatrique, et les fenêtres préictales utilisables ne représentent que 69 des 182 crises annotées.
Voir le passage dans l’article
The primary dataset is small and pediatric, and under the window construction and exclusion rules usable preictal windows represented only 69 of 182 annotated seizures.
L’échantillonnage dépendant de la classe et le filtrage non causal ne reproduisent pas une surveillance continue en ligne.
Les contrôles temporels et de seuil sont exploratoires, et le contrôle externe ne porte que sur un modèle de référence.
Voir le passage dans l’article
The Siena check covers one baseline only. The temporal and threshold controls were added after the original analyses and are exploratory.

Portée

Selon les auteurs, le protocole d’évaluation doit être décrit avec autant de soin que le modèle, en explicitant les sujets, épisodes et échantillons partagés ainsi que l’origine du seuil. Les partitions, manifestes de fenêtres et prédictions publiés fournissent une base de comparaison commune pour de nouveaux modèles.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : Prédiction des crises épileptiques EEG protocoles d’évaluation généralisation interpatients faux positifs

Pour aller plus loin

Résumé Complet
Résumé vulgarisé
Article de blog
Abstract original

Cette prépublication examine dans quelle mesure les performances annoncées en prédiction des crises épileptiques à partir de l’EEG dépendent du protocole d’évaluation plutôt que du modèle utilisé. Elle distingue trois objectifs : prédire les crises chez un patient jamais rencontré, reconnaître des fenêtres préictales réparties aléatoirement et anticiper des épisodes ultérieurs chez un même patient. Elle évalue également si un seuil choisi pour limiter les faux positifs sur les données de validation conserve cette propriété chez de nouveaux patients. Les auteurs ont utilisé CHB-MIT, une base de données pédiatrique comprenant 182 crises annotées chez 22 participants indépendants. Deux dossiers appartenant au même patient ont été conservés dans le même groupe. Après filtrage, normalisation et exclusions, l’analyse portait sur 17 424 fenêtres EEG de 20 secondes. Les fenêtres préictales, situées entre 5 et 30 minutes avant les crises, se chevauchaient de 10 secondes. Seules 69 crises contribuaient à ces fenêtres. Cinq chaînes de traitement ont été comparées : les puissances spectrales associées à une analyse discriminante linéaire (PSD+LDA), EEGNet, un réseau convolutif temporel, un réseau convolutif unidimensionnel et EEG-Conformer. L’évaluation principale reposait sur 20 répartitions comprenant chacune 14 groupes de patients pour l’entraînement, quatre pour la validation et quatre pour le test, sans accès préalable aux données des patients testés. Chez les patients inconnus, les performances étaient modestes et similaires entre les modèles. L’aire sous la courbe ROC (AUC) moyenne, calculée en regroupant les fenêtres de test, variait de 0,527 à 0,553, soit un écart de seulement 0,026 entre architectures. Les écarts-types entre répartitions atteignaient 0,06 à 0,08. Lorsque chaque patient recevait le même poids, les AUC moyennes diminuaient pour s’établir entre 0,502 et 0,523, avec une forte hétérogénéité individuelle. Ces résultats ne permettent donc pas d’établir un classement robuste des architectures. Une analyse temporelle complémentaire a retracé l’origine des fenêtres afin d’éviter qu’un même bloc préictal ou des échantillons chevauchants se retrouvent dans plusieurs partitions. Dans les dix cas admissibles à l’audit initial, la séparation par indice laissait subsister des crises et des échantillons communs à plusieurs partitions. Le contrôle corrigé, réalisé uniquement avec PSD+LDA chez onze patients admissibles, comparait des blocs chronologiques à des répartitions aléatoires des mêmes fenêtres, avec des effectifs identiques par classe. L’AUC moyenne atteignait 0,572 avec la répartition chronologique, contre 0,815 avec la répartition aléatoire. Cette dernière produisait une AUC supérieure chez les onze patients, avec un écart moyen de 0,243. Toutefois, cette différence combine plusieurs changements méthodologiques et ne mesure pas uniquement l’effet du chevauchement des échantillons. Les seuils choisis pour limiter les faux positifs à environ 1,67 % des fenêtres interictales de validation se transféraient imparfaitement aux nouveaux patients. Sur les données de test, les taux moyens de faux positifs atteignaient 1,81 à 3,13 %, avec un dépassement de la cible dans six à dix répartitions sur vingt, selon le modèle. La sensibilité préictale n’était alors que de 2,33 à 5,56 %. Enfin, une évaluation externe menée sur treize participants de la base Siena, limitée à PSD+LDA et sans réentraînement, donnait une AUC de 0,480 après regroupement des fenêtres. Les auteurs concluent que la séparation des patients, des épisodes et des échantillons, ainsi que les données utilisées pour fixer les seuils, sont essentielles à l’interprétation des résultats. Les limites de l’étude comprennent la petite taille de la cohorte pédiatrique, une sélection des fenêtres peu représentative d’une surveillance continue, un filtrage non causal et la réutilisation des mêmes participants entre les répartitions. Les contrôles temporels et les analyses des seuils étaient exploratoires et ont été ajoutés après l’analyse initiale. L’étude n’évalue ni la détection des crises en tant qu’événements ni la charge réelle des alarmes. Une validation clinique nécessiterait un protocole causal défini à l’avance et testé sur des enregistrements externes continus.

Prédire les crises épileptiques : le protocole compte autant que le modèle

Peut-on anticiper une crise épileptique à partir de l’activité électrique du cerveau ? Les recherches fondées sur l’électroencéphalogramme, ou EEG, nourrissent cet espoir. Mais un bon score ne garantit pas qu’un système fonctionnera chez un nouveau patient ou lors d’un épisode ultérieur. Une prépublication montre combien la façon d’organiser l’évaluation peut transformer les résultats.

Dans « Same pipelines, different answers: how evaluation design shapes EEG seizure prediction », z. song, M. Pedersen et D. Henare comparent cinq chaînes de traitement. Leur message central : avant de célébrer une architecture d’intelligence artificielle, il faut vérifier précisément ce que son protocole de test permet de démontrer.

Trois questions qu’il ne faut pas confondre

La « prédiction des crises » peut recouvrir des objectifs différents. Les auteurs en distinguent trois :

Prédire les crises chez un patient dont le système n’a jamais vu les données.
Reconnaître des fenêtres préictales, précédant une crise, réparties aléatoirement entre les ensembles de données.
Anticiper des épisodes ultérieurs chez un patient déjà connu.

Ces tâches ne sont pas interchangeables. Reconnaître des segments ressemblant à ceux utilisés pendant l’apprentissage ne prouve pas que le système saura généraliser à une autre personne. De même, une répartition aléatoire peut placer dans plusieurs ensembles des fenêtres issues d’un même épisode, voire contenant des échantillons communs.

Une comparaison sur des EEG pédiatriques

L’étude utilise CHB-MIT, une base pédiatrique comprenant 182 crises annotées chez 22 participants indépendants. Deux dossiers correspondant à une même personne ont été maintenus dans le même groupe, afin de préserver la séparation entre patients.

Après préparation et exclusions, l’analyse comprend 17 424 fenêtres EEG de 20 secondes. Les fenêtres préictales se situent entre 5 et 30 minutes avant une crise et se chevauchent de 10 secondes. Seules 69 crises contribuent finalement à ces fenêtres : les résultats ne représentent donc pas uniformément tous les épisodes disponibles.

Les cinq approches comparées sont PSD+LDA, qui associe puissances spectrales et analyse discriminante linéaire, EEGNet, un réseau convolutif temporel, un réseau convolutif unidimensionnel et EEG-Conformer. L’évaluation principale utilise 20 répartitions : chacune réserve 14 groupes de patients à l’entraînement, quatre à la validation et quatre au test.

Chez les patients inconnus, des performances proches du hasard

Sur les patients jamais rencontrés, les différences entre architectures restent faibles. L’aire sous la courbe ROC, ou AUC, mesure la capacité à distinguer les fenêtres préictales des fenêtres interictales. Une valeur de 0,5 correspond à une discrimination équivalente au hasard.

En regroupant les fenêtres de test, les AUC moyennes vont de 0,527 à 0,553. L’écart entre modèles n’est donc que de 0,026, alors que les écarts-types entre répartitions atteignent 0,06 à 0,08. Lorsque chaque patient reçoit le même poids, les moyennes descendent entre 0,502 et 0,523.

La variabilité individuelle est importante. Ces résultats ne permettent pas d’établir un classement robuste des architectures : ici, choisir un réseau plus complexe ne résout pas le problème de généralisation.

Le grand écart entre répartition aléatoire et chronologique

Un audit temporel a ensuite retracé l’origine des fenêtres. Dans les dix cas admissibles à cet audit initial, la séparation par indice laissait subsister des crises et des échantillons communs à plusieurs partitions.

Un contrôle corrigé, limité à PSD+LDA chez onze patients admissibles, a comparé des blocs chronologiques à des répartitions aléatoires des mêmes fenêtres, avec des effectifs identiques par classe. L’AUC moyenne était de 0,572 pour la séparation chronologique, contre 0,815 pour la répartition aléatoire. Cette dernière donnait un meilleur score chez les onze patients.

L’écart moyen de 0,243 est considérable. Il ne faut toutefois pas l’attribuer uniquement au chevauchement des échantillons : la comparaison combine plusieurs changements méthodologiques. Elle montre surtout que deux évaluations apparemment proches peuvent répondre à des questions très différentes.

Des seuils qui voyagent mal

Les auteurs ont aussi étudié les seuils servant à limiter les faux positifs. Réglés pour classer à tort environ 1,67 % des fenêtres interictales de validation, ils n’ont pas conservé systématiquement cette propriété chez les nouveaux patients.

Sur les données de test, les taux moyens de faux positifs atteignent 1,81 à 3,13 %. La cible est dépassée dans six à dix répartitions sur vingt, selon le modèle. À ces seuils, la sensibilité préictale reste faible : seulement 2,33 à 5,56 %. Ces mesures concernent des fenêtres, et non directement le nombre d’alarmes ou les crises anticipées.

Une leçon méthodologique, pas un verdict définitif

Une évaluation externe sur treize participants de Siena, sans réentraînement et uniquement avec PSD+LDA, aboutit à une AUC regroupée de 0,480. Ce résultat renforce la prudence, sans constituer une évaluation externe des cinq approches.

L’étude reste limitée par sa petite cohorte pédiatrique, la réutilisation des participants entre répartitions, un filtrage non causal et une sélection de fenêtres éloignée d’une surveillance continue. Les contrôles temporels et les analyses des seuils sont exploratoires et ont été ajoutés après l’analyse initiale.

La conclusion n’est pas que toute prédiction est impossible. Elle est qu’une validation crédible exige de séparer patients, épisodes et échantillons, puis de tester un protocole causal défini à l’avance sur des enregistrements externes continus. Les performances cliniques et la charge réelle des alarmes restent à établir.

Créé le 02 Nov. 2026

Cette synthèse vous a-t-elle été utile ?

Note : 0

Posez des questions sur cet article à notre assistant IA

Comment discuter avec cet article ? Guide illustré

Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 3 réécritures gratuites restantes aujourd'hui

Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Créer un compte gratuit Se connecter

Exporter BibTeX · RIS (Zotero, Mendeley, EndNote) · Obsidian (Markdown) · Notion (Markdown)

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero

Alertes de citation Guide des alertes de citations

Qui travaille dessus ? Les personnes et institutions qui publient sur son sujet

Lettre hebdomadaire Présenté dans « Cerveau et comportement cette semaine » du 2 novembre 2026. Cerveau et comportement cette semaine : ce que les connexions expliquent, et ce que les comparaisons changent

Journal club Premium+ Des slides pour le présenter Proposer pour le journal club

En parler en public Premium+ Kit presse : communiqué, questions, détecteur de hype Guide du kit presse

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

Proche Données, outil ou méthode en commun
Window leakage in clinical EEG machine learning: matched subject-independent evaluation across ADHD and Parkinson cohorts
Burak Aggul · 2026 · Frontiers in Neuroinformatics · Pas encore résumé

Window leakage in clinical EEG machine learning définit la contamination entre fenêtres d’un même participant et l’évalue avec des partitions indépendantes par sujet sur des cohortes ADHD et Parkinson.

Résumé scientifique
Windowed electroencephalography (EEG) pipelines can produce misleadingly high performance when segments from the same participant occur in both training and testing. We define this contamination as window leakage and test it in two clinically and technically distinct public cohorts: 121 children (61 attention-deficit/hyperactivity disorder [ADHD], 60 controls) and 149 adults (100 Parkinson's disease, 49 controls). Signals were harmonized to 18 common channels and 128 Hz. All primary models used stratified 8-fold participant-disjoint evaluation, 50%-overlapping windows, participant-level probability aggregation, and validation participants drawn exclusively from each outer-training fold. A de…
Proche Autre approche du problème
Leakage-Controlled Recording-Level Evaluation of Machine Learning, Deep Learning, and Convolutional-Kernel Models for EEG-Based Epileptic Seizure Detection
S. Sunitha, Umadevi Ramamoorthy · 2026 · International Journal of Engineering and Manufacturing · Pas encore résumé

Leakage-Controlled Recording-Level Evaluation compare des modèles de détection de crises sur des groupes d’enregistrements séparés, plutôt que des pipelines de prédiction évalués selon plusieurs protocoles.

Résumé scientifique
Electroencephalogram (EEG)-based seizure detection is a challenging time-series classification problem because EEG signals are nonlinear, non-stationary, and temporally heterogeneous. This study presents a unified comparison of classical machine-learning, neural and deep-learning, convolutional-kernel time-series, and probability-level ensemble models using the Epileptic Seizure Recognition benchmark dataset. The 11,500 EEG segments were reconstructed into 500 recording groups, and recording-grouped nested cross-validation was applied to prevent segments from the same recording from crossing training and test partitions. Depending on the modelling paradigm, segments were represented either b…
Proche Contexte plus large
Seeing Seizures: A Large-Scale Empirical Study of Video and EEG Deep Learning for Automated Rodent Seizure Detection and Severity Grading
Alloy Das, Shreyan Ganguly, N. Massey et al. · 2026 · Pas encore résumé

Seeing Seizures évalue la détection et la gradation de crises chez le rat à partir de vidéos et d’EEG, avec des évaluations exclusives par session ou sujet.

Résumé scientifique
Manual annotation of synchronized video and EEG recordings is a bottleneck in preclinical seizure research. We present an empirical study of seizure detection and behavioral severity grading using 24,131 paired clips from 601 sessions across 20 rats in a soman-induced epilepsy model. Ten video architectures and seven single-channel EEG models are evaluated independently on binary detection and three- and five-class severity tasks. In the session-exclusive reference comparison, R(2+1)D-18 and GRU achieve detection macro-F1 scores of 0.968 and 0.974, respectively; for five-class grading, the corresponding scores are 0.657 and 0.560. Subject-exclusive evaluation reduces five-class macro-F1 to 0…
Proche Contexte plus large
Selection of Low‐Density EEG Montages for Optimal Seizure Detection Performance
S. Abdullateef, Iris L. Soare-Nguyen, B. Jordan et al. · 2026 · Healthcare technology letters · Pas encore résumé

Selection of Low-Density EEG Montages étudie la détection des crises avec des montages EEG réduits, tandis que cet article examine l’effet des protocoles d’évaluation.

Résumé scientifique
ABSTRACT Multi‐channel electroencephalography (EEG) is widely recognised for its ability to non‐invasively capture dynamic brain activity with high temporal resolution. However, conventional EEG systems require meticulous setup, expert interpretation and specialised infrastructure, which limits their applicability in real‐time, resource‐constrained environments such as critical care and emergency settings. As wearable and point‐of‐care EEG technologies gain traction, there is increasing demand for low‐density, automated seizure detection methods that are clinically reliable and scalable. This study presents a data‐driven pipeline for an EEG‐based task, seizure detection, that identifies comp…
Proche Contexte plus large
Predicting ICU Seizures Using 1 hour of cEEG.
S. Phadikar, Santiago Philibert-Rosas, Steven E. Haworth et al. · 2026 · Journal of clinical neurophysiology · Pas encore résumé

Predicting ICU Seizures estime le risque de crises à court terme à partir d’une heure de cEEG chez des patients en soins intensifs.

Résumé scientifique
PURPOSE Continuous electroencephalography (cEEG) is the gold standard for detecting electrographic seizures in the intensive care unit (ICU), but limited resources limit prolonged monitoring for all patients. We developed an automated, interpretable pipeline that uses a single hour of cEEG to estimate near-term seizure risk across multiple prediction windows. METHODS We retrospectively studied 50 adults who underwent ICU cEEG monitoring at a single tertiary center. From a 1-hour segment, we computed automated interictal-ictal continuum (IIC) burden probabilities for lateralized periodic discharges (LPDs), generalized periodic discharges (GPDs), and lateralized rhythmic delta activity (LRDA),…
Proche Données, outil ou méthode en commun
Measuring Evaluation Leakage in EEG Motor Imagery Decoding, with an Application to Stroke Patients
Aria Chadha · 2026 · Proceedings of the OJSS Virtual Research Conference 2026 · Pas encore résumé

Measuring Evaluation Leakage mesure l’inflation des performances due à une fuite d’information EEG, ici lors du décodage d’imagerie motrice avec CSP.

Résumé scientifique
Brain-computer interfaces (BCIs) that decode imagined movement from EEG are often evaluated using Common Spatial Patterns (CSP), a supervised filtering method. If CSP is fitted to all data before splitting into training and test sets, information from the test labels leaks into the model and inflates reported accuracy. This study measures the size of that effect. In a null experiment where true accuracy should be at chance (50%), fitting CSP before the split produced 91% within-subject accuracy, a 41-percentage-point inflation, compared with about 5 points in cross-subject evaluation. On real data from 87 healthy participants and 46 post-stroke patients, leakage added 14.3 and 10.6 points re…
Proche Contexte plus large
How much does the reduced electroencephalographic montage matter for seizure detection? A large-cohort simulation study.
J. Kojima, Hao-Er Shi, Svanik Jaikumar et al. · 2026 · Epilepsia · Pas encore résumé

How much does the reduced electroencephalographic montage matter compare la détection automatique selon des montages complets ou réduits, et leur variation selon les caractéristiques de l’épilepsie.

Résumé scientifique
OBJECTIVE Subscalp electroencephalographic (EEG) systems with few channels have emerged as promising solutions for ultra-long-term seizure monitoring, but the impact of montage configuration on automated seizure detection is unclear. We compared automated detection performance between full-scalp and simulated reduced montages approximating published subscalp devices, and assessed variation by epilepsy type, lateralization, and localization. METHODS We conducted a retrospective cross-sectional study of consecutive epilepsy monitoring unit (EMU) admissions from January 2017 to December 2024 at the Hospital of the University of Pennsylvania. Admissions with at least one clinician-annotated seiz…
Proche Autre approche du problème
Patient-independent EEG seizure detection using channel attention and dual-branch time–frequency features
Hrishikesh Tiwary, Arnav V. Bhavsar, M. H · 2026 · Neural computing & applications (Print) · Pas encore résumé

Patient-independent EEG seizure detection propose un modèle à attention et caractéristiques temps-fréquence, évalué sur CHB–MIT et TUSZ avec des partitions indépendantes par sujet.

Résumé scientifique
We developed a patient-independent EEG-based seizure detection model that generalizes across subjects despite inter-subject variability in spatial seizure expression, electrode characteristics, and artifacts. Scalp EEG recordings from the CHB–MIT (18 channels) and the TUSZ v2.0.3 (20 channels) datasets were evaluated under strict subject-disjoint protocols, employing leave-one-subject-out (LOSO) cross-validation for CHB–MIT and the official subject-disjoint train/dev/eval split for TUSZ. A channel-wise attention front end adaptively reweights EEG channels prior to feature extraction. The reweighted signals are processed through dual-branch time–frequency representations based on empirical mo…

Aller plus loin

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 2 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.

Same pipelines, different answers: how evaluation design shapes EEG seizure prediction

L’essentiel

Question

Méthode

Résultats

Limites

Portée

Pour aller plus loin

Définitions

Prédire les crises épileptiques : le protocole compte autant que le modèle

Trois questions qu’il ne faut pas confondre

Une comparaison sur des EEG pédiatriques

Chez les patients inconnus, des performances proches du hasard

Le grand écart entre répartition aléatoire et chronologique

Des seuils qui voyagent mal

Une leçon méthodologique, pas un verdict définitif

Posez des questions sur cet article à notre assistant IA

Outils pour cet article

Outils avancés Premium

Les articles autour de celui-ci

Les articles les plus proches

Aller plus loin

Citer cet article (BibTeX)