Chaque jour, le cerveau sonne un peu différemment. Hier, l'idée de bouger la main gauche produisait un certain motif d'ondes électriques ; aujourd'hui, un autre, légèrement différent. Pour une interface cerveau-machine (un dispositif qui transforme les commandes mentales en actions), c'est un vrai problème : le réglage d'hier ne fonctionne plus aujourd'hui.

La nouvelle méthode, baptisée MRieHy, n'apprend pas à partir d'un seul enregistrement, mais d'une collection entière d'« empreintes » de l'activité cérébrale sur plusieurs jours. Elle commence par trouver le centre commun de ces empreintes — un peu comme si, à partir de dizaines de photos d'une même personne, on composait un portrait moyen auquel il est plus facile de comparer de nouveaux clichés. Pour cela, on utilise la géométrie riemannienne, une façon de mesurer les distances entre des matrices complexes qui décrivent l'activité électrique du cerveau. Ensuite, on construit un hypergraphe : c'est un réseau où les connexions peuvent relier non pas deux points, mais plusieurs à la fois — comme une conversation de groupe, plutôt qu'un appel téléphonique. Un hypergraphe est construit à partir des distances géométriques entre les empreintes, un autre à partir de la similarité des caractéristiques profondes extraites des signaux. Les deux réseaux sont combinés avec des poids ajustés automatiquement.

Lors de l'utilisation réelle, le système garde en mémoire les dernières empreintes cérébrales (comme un tampon d'événements récents), les aligne sur le portrait moyen et émet instantanément une commande. Les tests sur des données provenant d'électrodes implantées et de casques EEG classiques ont montré que la précision de reconnaissance de quatre types de mouvements imaginés est supérieure à celle des meilleures méthodes précédentes.

Cette approche rend la neuro-interface semblable à un interprète expérimenté qui a entendu la même voix dans différentes humeurs et la comprend donc même avec un léger enrouement.