MEEGNet: An open source python library for the application of convolutional neural networks to MEG
Notice bibliographique
Résumé
Abstract Artificial Neural Networks (ANNs) are rapidly gaining traction in neuroscience, proving invaluable for decoding and modeling brain signals from techniques such as electroencephalography (EEG) and functional magnetic resonance imaging (fMRI). Although these networks are beginning to find applications in magnetoencephalography (MEG), their use in this domain is still in the early stages. Here, we introduces MEEGNet, a novel Python library paired with an intuitive convolutional neural network (CNN) architecture designed primarily for MEG data, yet adaptable to EEG signals. The MEEGNet model was trained and cross-validated using MEG data from 643 participants across four classification tasks, including auditory and visual stimulus classification and age prediction. Our model achieves competitive performance across all tasks, with a notable balance of accuracy and efficiency—for instance, reaching 92.70% test accuracy in an auditory vs. visual classification task while maintaining shorter training times than other architectures. The MEEGNet pipeline also integrates latent space visualization tools, adapted for MEG and EEG data. These include saliency maps and Grad-CAM methods, which enhance the interpretability of ANN-based classification and help address the black-box critique of such models. Importantly, the MEEGNet library is designed for extensibility, allowing the neuroscience and machine learning communities to add functionalities and ANN models. By prioritizing usability, transparency, and interpretability, MEEGNet empowers MEG- and EEG-based research with a user-friendly and modular framework.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,049 | 0,018 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».