Science ouverte

Je suis attaché à une science ouverte, exigeante et réutilisable. Pendant mon parcours académique, j’ai contribué à cette synergie open-source en publiant des jeux de données et du code publics autour de l’électrophysiologie des motoneurones, de l’EMG haute densité multi-session/multi-tâche, de la physiologie des unités motrices et de la modélisation neuromusculaire.

Aujourd’hui, je prolonge cette trajectoire open-source à travers mon double rôle de CSO de Yneuro et d’Honorary Research Officer à Imperial College London : librairies de code, compétitions ouvertes et collaborations concrètes entre recherche académique et industrie.

Je suis convaincu que l'écosystème neurotech a aujourd'hui besoin d'outils partagés, de benchmarks ouverts et de ressources réutilisables à grande échelle, développés collectivement par les entreprises et les institutions académiques.

Arènes publiques

Je co-dirige avec Bruno Aristimunha l’organisation du EEG/EMG Foundation Challenge 2026. La compétition réunit laboratoires académiques, infrastructure open source et équipes de recherche industrielles autour des modèles de fondation EEG/EMG et de l'adaptation de domaine liée aux sujets, sessions, émotions, contextes et matériels. Yneuro en est l’organisateur principal, aux côtés d’Inria, UCSD et Meta, avec le soutien d’AWS. Cinq axes structurent la compétition :

Track 1 - EEG-to-ImageMeta FAIR Brain & AI + Alljoined Track 2 - Décodage BCIInria LaBRI Track 3 - Détection d’endormissement EEGInteraXon Inc. Track 4 - EMG-to-TextMeta Reality Labs + Imperial Track 5 - Transfert de fondationYneuro

Neural Interface 2026 competition tracks overview

Infrastructure

À travers mon rôle de CSO à Yneuro, je soutiens activement des librairies open source et des plateformes de benchmark qui rendent le travail scientifique plus reproductible, maintenable et partageable.

Braindecode

Construire une collaboration Yneuro x Inria Paris-Saclay pour contribuer au développement, au financement et à la maintenance de Braindecode.

Codabench

Mobiliser AWS et Deloitte pour soutenir l’équipe Codabench à Paris-Saclay dans le développement de la plateforme.

MNE-EMG

Initier, avec Pranav Mamidanna, un package Python central pour le traitement et l’analyse des signaux EMG dans l’écosystème MNE-Python.

Packages Python

Publier du code réutilisable pour l’EMG, les motoneurones, les unités motrices, la simulation et la modélisation neuromusculaire.

MUniverse

Suite de simulation et de benchmark pour la décomposition d’unités motrices, avec EMG synthétique, hybride et expérimental, et spike trains de référence.

BenchmarkUnité motriceHD-EMG

Motoneuron-Driven Neuromuscular Model

Modélisation neuromusculaire sujet-spécifique avec résolution à l’échelle de l’unité motrice.

Modèle neuromusculaireModèle MSKHD-EMG

NeuroMotion Simulator

Génération dynamique de signaux EMG à partir du mouvement, avec modèles neuromécaniques et deep learning.

VAEEMGMouvement

Data Augmentation for Motoneuron Pool Reconstruction

Reconstruction de pools de motoneurones à partir de l’EMG, avec augmentation de données.

Pool de motoneuronesAugmentation de donnéesHD-EMG

Données ouvertes

Rendre les données réutilisables pour la physiologie des unités motrices, l’EMG haute densité, la simulation neuromusculaire et la modélisation inter-espèces des motoneurones.

Arnault Caillet