Flare (CERN–Mistral AI): un modelo fundacional para física de colisionadores y las condiciones de su transferencia al EEG en CPEA-TAE

Autor conceptual: Claude (Anthropic) · Originador y director del corpus: Javi Ciborro · Corpus Papayaykware · 21 de octubre de 2026

Declaración de autoría, vínculos y método

La autoría conceptual de este documento corresponde a Claude, modelo desarrollado por Anthropic. Javi Ciborro origina y dirige el corpus y no reclama la autoría del análisis. Anthropic y Mistral AI compiten en el mercado de modelos de lenguaje; la relación se declara aquí, aunque no condiciona ninguna conclusión.

Las fuentes sobre el anuncio son comunicación institucional de CERN y Mistral, mediada por una agencia de noticias, y se tratan como declaraciones de partes interesadas. El texto original de Reuters no pudo abrirse desde esta sesión (acceso bloqueado); su contenido se contrastó con al menos cinco reproducciones del mismo despacho. Se aplica la norma INTER-8: separación explícita entre lo empírico y lo especulativo, y condición de falsabilidad para toda hipótesis. La relación con CPEA-NEXUS es una homología estructural no causal, no un mecanismo demostrado.

Abstract

El 15 de octubre de 2026, CERN y Mistral AI firmaron una declaración de intenciones para desarrollar Flare, un «Large Physics Model» preentrenado con miles de millones de colisiones simuladas del LHC, con el propósito declarado de reemplazar algunos algoritmos especializados de reconstrucción e identificación de partículas. Este documento separa primero lo anunciado de lo que falta: no hay calendario, presupuesto ni resultados comparativos públicos. Después examina por qué la física de colisionadores reúne condiciones inusualmente favorables para el preentrenamiento fundacional (verdad de base exacta, instrumento conocido, simetrías, volumen) y contrasta cada una con el EEG, donde casi todas fallan. Propone una homología estructural no causal entre sustituir una cadena modular por una representación compartida y la arquitectura de CPEA-NEXUS (ACQ→PREP→SPEC→COH→TAE-DET→SER). Formula tres hipótesis falsables, H1–H3, la última deliberadamente autocrítica, y seis programas de seguimiento ejecutables sobre infraestructura ya operativa. No existe todavía ninguna cifra de rendimiento de Flare, y ninguna se utiliza aquí.

¿Qué se ha anunciado?

El 15 de octubre, CERN y Mistral AI dieron a conocer una declaración de intenciones para una asociación estratégica a largo plazo orientada a desarrollar un modelo fundacional para el descubrimiento científico. El proyecto central se llama Flare. CERN lo presenta como el primer modelo fundacional para física de colisionadores, entrenado con miles de millones de colisiones simuladas. Según un portavoz de la organización citado por Reuters, la idea es la misma que sostiene a los grandes modelos de lenguaje, solo que aplicada a datos de colisión en lugar de texto. El modelo está pensado para reemplazar algunos de los algoritmos especializados que hoy reconstruyen e identifican partículas.

Varios datos matizan el titular.

Primero, se trata de una declaración de intenciones, no de un contrato con hitos públicos. Reuters señala que no se divulgó calendario ni presupuesto, y una cabecera alemana añade que las reglas de acceso siguen abiertas. Segundo, la sustitución se formula como objetivo y con alcance parcial: «algunos» algoritmos, no la cadena entera. Tercero, CERN lleva una década aplicando IA para convertir datos en bruto en imágenes de los eventos, pero con herramientas distintas en cada paso. Lo que se propone es unificar esa cadena bajo un único preentrenamiento. Un agregador técnico describe además un modelo que serviría a varias tareas de reconstrucción desde una sola base preentrenada; esa descripción no aparece en el despacho de la agencia y se trata aquí como intención no verificada.

Hay una distinción que conviene mantener a la vista: CERN custodia en torno a un exabyte de datos experimentales del LHC, y el acuerdo da a Mistral acceso a uno de los mayores conjuntos de datos científicos del mundo, pero lo que se ha anunciado para el entrenamiento son colisiones simuladas. Qué parte de los datos reales intervendrá, y cómo, no se ha dicho.

También se ha de leer con cautela el marco discursivo. El director ejecutivo de Mistral, Arthur Mensch, defendió en Le Monde que los modelos de frontera son ya indispensables para el progreso científico y criticó a las empresas que reservan sus ventajas para sí. Es una posición de parte, legítima, que no equivale a evidencia sobre rendimiento.

La reserva con la que Javi plantea la noticia, que todavía está por demostrar que este enfoque supere de forma generalizada a los métodos especializados, queda confirmada por los hechos disponibles. Conviene añadir un matiz: incluso en el dominio más favorable posible, la comparación pública para Flare no existe todavía.

¿Por qué la física de colisionadores favorece el preentrenamiento fundacional?

El interés técnico del proyecto no depende de que funcione. Depende de que el dominio reúne, casi de forma única, un conjunto de condiciones que el preentrenamiento a gran escala aprovecha bien. Se pueden enumerar cinco, y conviene hacerlo con precisión porque cada una tiene su contrapartida en el EEG.

Verdad de base exacta. Cada evento simulado sale de un generador que conoce qué partículas se produjeron, con qué momento y desde dónde. Las etiquetas son perfectas y baratas, y se pueden producir en cualquier cantidad.

Instrumento conocido y estable. La geometría del detector y su respuesta están caracterizadas. Las diferencias entre eventos reflejan física, no cambios de montaje.

Simetrías y leyes de conservación. La conservación de energía y momento, y la invariancia ante el orden en que se listan las partículas de un conjunto, restringen el espacio de soluciones y permiten diseñar arquitecturas que las respeten.

Volumen. Miles de millones de eventos, generados por un proceso cuya distribución se controla.

Evaluación definida. Existen métricas aceptadas, como eficiencia y pureza de identificación o resolución energética, y algoritmos de referencia contra los que comparar.

Hay precedentes que apoyan la plausibilidad. El algoritmo de particle flow de CMS, de factura ingenieril, es la referencia contra la que se mide cualquier sustituto. Trabajos como MLPF mostraron que una reconstrucción de tipo particle flow aprendida con redes de grafos podía acercarse a ese algoritmo manual. Particle Transformer estableció un listón alto en etiquetado de chorros, y OmniJet-α se presentó como modelo preentrenado capaz de abordar varias tareas. Todo ello sugiere que la dirección es razonable. Ninguno de esos trabajos garantiza que un único modelo fundacional supere a la cadena actual en todas las tareas de reconstrucción.

Queda además el problema clásico de la brecha entre simulación y realidad. Un modelo entrenado con colisiones simuladas hereda los sesgos del modelado de los procesos físicos subyacentes, y la validación con datos reales forma parte del problema, no de su epílogo. Flare tendrá que demostrar que esa brecha está controlada. El anuncio no dice cómo.

El EEG frente a esas condiciones

La tabla compara las condiciones que hacen funcionar el preentrenamiento en colisionadores, tal como las describe el anuncio y la práctica del campo, con la situación del EEG.

Condición	Colisionador	EEG
Verdad de base	Exacta, por construcción del generador	Ausente; las etiquetas derivan de la tarea, de anotación humana o de estados conductuales
Instrumento	Geometría fija y caracterizada	Montajes, impedancias y sistemas de adquisición variables entre laboratorios
Señal frente a ruido	La señal de interés domina tras reconstruir	Decenas de microvoltios mezclados con artefactos oculares, musculares y de red
Estacionariedad	Procesos controlados en la simulación	No estacionario dentro de una sesión y entre sesiones
Heterogeneidad de las unidades	Partículas idénticas de cada especie	Sujetos con anatomía y dinámica distintas
Volumen	Miles de millones de eventos simulados	Miles de horas en corpus públicos, de calidad desigual
Evaluación	Eficiencia y pureza frente a algoritmos de referencia	Métricas dependientes de protocolo, con riesgo de fuga de datos

La lectura de la tabla es directa. Lo que Flare tiene a su favor es, sobre todo, la verdad de base y la homogeneidad de las unidades, y son justamente las dos propiedades que el EEG no puede ofrecer. Un registro de EEG no viene con una etiqueta exacta de qué estaba haciendo el cerebro; esa etiqueta se infiere de un protocolo o la pone una persona. Y dos sujetos sometidos al mismo estímulo producen señales que difieren en topografía, amplitud y dinámica.

La no estacionariedad merece mención aparte. Que las propiedades estadísticas de la señal cambien dentro de una misma sesión es un hallazgo temprano y bien establecido de la literatura de interfaces cerebro-computadora, y es una de las razones por las que la adaptación en línea ha sido un tema persistente. Un preentrenamiento que mezcla sesiones y sujetos aprende una distribución media que, para un sujeto concreto en un momento concreto, puede quedar lejos de su dinámica.

La consecuencia práctica es que el análogo del EEG no puede ser la simulación masiva con etiquetas exactas. Solo cabe el aprendizaje autosupervisado sobre registros reales, por ejemplo mediante la reconstrucción de fragmentos enmascarados de señal, seguido de un ajuste ligero con pocas etiquetas. Es lo que ya hacen los modelos fundacionales de EEG disponibles.

Lo que ya se sabe de modelos fundacionales de EEG

Existen al menos dos modelos preentrenados de referencia. LaBraM, presentado en ICLR 2024, se preentrena sobre registros de numerosas bases de datos (sus autores hablan de unas dos mil quinientas horas procedentes de alrededor de veinte conjuntos) mediante predicción de fragmentos enmascarados sobre parches de señal. CBraMod, presentado en ICLR 2025, separa la atención espacial y la temporal en una arquitectura de tipo «criss-cross» y se preentrena sobre el corpus TUEG de Temple University. Ambos informan de mejoras sobre líneas base específicas de tarea en varios conjuntos posteriores.

Es razonable leer esas mejoras con cautela por tres razones, que son de método y no de desconfianza.

Los resultados proceden de los propios autores y de los benchmarks que ellos eligieron. Las comparaciones independientes bajo un protocolo común son más escasas; iniciativas como MOABB existen precisamente para estandarizarlas. Además, las líneas base clásicas siguen siendo fuertes cuando hay pocos datos. Los patrones espaciales comunes (CSP) y los clasificadores sobre geometría riemanniana siguen siendo comparadores exigentes en imaginería motora, y la revisión sistemática de Roy y colaboradores encontró que la mejora media de las redes profundas sobre los métodos tradicionales era modesta, del orden de unos pocos puntos porcentuales, con una reproducibilidad baja. Por último, la fuga de datos entre particiones es un riesgo documentado en estudios de aprendizaje profundo con EEG: cuando segmentos del mismo sujeto caen a ambos lados de la partición, el rendimiento se infla. La validación estricta por sujeto es condición necesaria, no refinamiento.

El estado de la cuestión es entonces el siguiente. Hay indicios de que el preentrenamiento ayuda en EEG, sobre todo cuando se dispone de pocas etiquetas. No hay evidencia consolidada de que supere de forma general a los métodos especializados bien ajustados. Es, casi palabra por palabra, la misma reserva que Javi formula para Flare.

Homología estructural no causal con CPEA-NEXUS

La pregunta de ingeniería de la información que plantea Flare es esta: ¿cuándo compensa sustituir una cadena de módulos especializados, cada uno con su método, por una representación compartida preentrenada sobre la que se montan cabezas ligeras por tarea?

CPEA-NEXUS tiene hoy la forma de esa cadena: ACQ→PREP→SPEC→COH→TAE-DET→SER, con módulos dedicados de adquisición, preprocesado, análisis espectral, coherencia, detección de excepciones y salida. NEXUS-EEG v1.0 la hace operativa. La homología propuesta es esta:

Flare (según el anuncio)	CPEA-NEXUS
Cadena de reconstrucción con varias herramientas, una por paso	Cadena ACQ→PREP→SPEC→COH→TAE-DET→SER con módulos dedicados
Un único preentrenamiento compartido	Un codificador preentrenado de EEG, cuyo papel funcional se aproximaría al de U(t) de CPEA-LATEN-1
Cabezas por tarea (identificación, reconstrucción)	Cabezas por tarea: TAE-DET, SER

Esto es una homología estructural, no un mecanismo causal. No se afirma que la dinámica de partículas y la dinámica neural compartan principio alguno. Se afirma que comparten un problema de diseño: modularidad especializada frente a representación compartida. Tampoco se afirma que U(t) sea equivalente a un codificador preentrenado; se afirma que ocupa en el diseño un lugar análogo, y que esa analogía es contrastable.

Hay un límite que conviene fijar. Flare se ha anunciado para reconstrucción e identificación de partículas. El uso de un modelo fundacional para detectar eventos anómalos o excepcionales, que es lo que más se parecería a TAE-DET, no forma parte de lo anunciado. Ese salto es una extrapolación de este documento y se marca como tal.

La utilidad de la homología es de otra índole: obliga a formular, antes de entrenar nada, qué tendría que observarse para que la sustitución de módulos especializados por una representación compartida estuviera justificada en CPEA-NEXUS. De eso tratan las hipótesis.

Hipótesis y condiciones de falsabilidad

Todas las hipótesis que siguen son especulativas en el sentido de INTER-8: no cuentan con respaldo empírico propio en el corpus, y su estatus no es el de los resultados citados en la sección 4.

Definición operativa de «transición». Para evitar la circularidad señalada en INTER-23, donde una definición basada en la salida del propio sistema contaminaría su evaluación, las transiciones se definen siempre mediante anotación externa: marcas de inicio de tarea o reposo en los protocolos, o anotación clínica del inicio de una crisis en corpus que la incluyen. Nunca a partir de la salida de TAE-DET.

H1 (hipótesis). Un codificador de EEG preentrenado de forma autosupervisada con datos de múltiples sujetos, con una cabeza ligera de detección, supera a la configuración vigente de TAE-DET (esquema de umbral y, cuando proceda, el esquema bayesiano de k hipótesis de INTER-22) en la detección de transiciones, con validación dejando un sujeto fuera y a igual presupuesto de etiquetas.

Falsabilidad. H1 se refuta si, en los conjuntos preespecificados y tras corrección por tasa de falsos descubrimientos (Benjamini-Hochberg, CPEA-PFI-1), la cota inferior del intervalo de confianza del 95 % (bootstrap por sujetos) de la diferencia entre el modelo preentrenado y la mejor línea base es menor o igual que cero. Como umbral de relevancia práctica se fija una diferencia de 0,03 en exactitud balanceada; es una decisión de diseño, no un valor derivado de teoría, y se declara como tal.

H2 (hipótesis). La ventaja descrita en H1 aumenta cuando se reducen las etiquetas disponibles (100 %, 10 %, 1 %).

Falsabilidad. H2 se refuta si la diferencia a 1 % de etiquetas no supera a la diferencia a 100 %, con un intervalo para la diferencia de diferencias que incluya el cero o valores negativos. También se refuta si la ventaja desaparece ya a 10 %.

H3 (hipótesis autocrítica; el corpus busca refutarla, no confirmarla). Una parte de la ventaja observada en H1 y H2 se debe a confusores no neurales, como artefactos musculares y oculares o la firma del dispositivo o del centro de registro, que el preentrenamiento codificaría como atajo.

Falsabilidad. H3 se confirma si la ventaja de H1 se reduce a menos de la mitad tras (i) retirar artefactos por regresión de EOG o ICA y (ii) validar con un conjunto o dispositivo no visto en el preentrenamiento. Se refuta si la ventaja persiste por encima de la mitad en ambos controles. El umbral de «la mitad» es convencional y queda fijado antes del análisis.

Si H3 se confirmara, el resultado sería informativo: la ganancia aparente de un preentrenamiento no equivaldría a mejor detección de transiciones neuronales, y la sustitución de módulos especializados no estaría justificada en este dominio. El corpus asume esa posibilidad sin reservas.

Programas de seguimiento

Los programas siguientes son experimentos y mediciones concretos. Se ejecutan sobre infraestructura ya operativa (NEXUS-EEG v1.0, repositorio de GitHub del corpus) y no requieren hardware nuevo. Los codificadores se usan congelados (sondeo lineal), lo que permite trabajar con una GPU de consumo; si los pesos de LaBraM o CBraMod no estuvieran disponibles con licencia compatible, se preentrena un modelo propio de menor tamaño sobre TUEG.

P0 · Preregistro. Antes de cualquier entrenamiento, se fijan y se archivan con fecha y hash en el repositorio: conjuntos de datos, particiones, métricas, margen de relevancia (0,03), al menos cinco semillas y líneas base. Estas son CSP con análisis discriminante lineal, espacio tangente riemanniano con regresión logística, y EEGNet.

P1 · Conjuntos públicos con transiciones anotadas. EEG Motor Movement/Imagery de PhysioNet (marcas de inicio de tarea y reposo) y una selección de conjuntos de MOABB. Opcionalmente, TUSZ para inicio de crisis con anotación clínica. Se aplican las mismas particiones leave-one-subject-out a todos los modelos.

P2 · Sesiones propias. Se aplica el mismo protocolo a las sesiones ya registradas con NEXUS-EEG v1.0. Se extraen rasgos del codificador congelado y se comparan con la configuración vigente de TAE-DET. Las etiquetas de transición provienen del marcado de estímulos, no de la salida de TAE-DET.

P3 · Curva de eficiencia de etiquetas. Entrenamiento de las cabezas con 100 %, 10 % y 1 % de las etiquetas, con submuestreos repetidos y al menos cinco semillas. Informe de diferencias con intervalos de confianza y corrección de Benjamini-Hochberg. Este programa contrasta H2.

P4 · Controles de confusores. Regresión de EOG o ICA antes de extraer rasgos, validación dejando un conjunto o dispositivo fuera, y una sonda lineal que intente predecir el conjunto de origen a partir de las representaciones. Si la identidad del conjunto se decodifica con exactitud muy superior al azar, la representación contiene firma de dispositivo y el resultado de H1 se reinterpreta a la luz de H3.

P5 · Seguimiento externo de Flare. Registro fechado de tres indicadores: publicación de documentación técnica o ficha del modelo; comparación publicada frente a algoritmos de reconstrucción de referencia; términos de acceso a pesos y datos. Revisiones programadas el 21 de enero y el 21 de abril de 2027. Regla de decisión: si en abril de 2027 no hay comparación publicada, la referencia a Flare permanece como analogía de diseño, sin valor de evidencia para H1–H3.

Verificación (Chain-of-Verification)

Afirmación	Comprobación	Estado
Declaración de intenciones CERN–Mistral el 15 de octubre de 2026	Varias reproducciones del despacho de Reuters; original bloqueado	Verificado por reproducciones
Flare, primer modelo fundacional para física de colisionadores, con miles de millones de colisiones simuladas	Atribuido a CERN en el mismo despacho	Verificado como declaración de CERN
Pretende reemplazar «algunos» algoritmos especializados	Portavoz de CERN, vía Reuters	Verificado como objetivo, no como resultado
Sin calendario ni presupuesto divulgados	Despacho de Reuters; fuente alemana añade reglas de acceso abiertas	Verificado
Un modelo único serviría a varias tareas de reconstrucción	Solo un agregador técnico	Fiabilidad baja; tratado como intención no verificada
CERN custodia en torno a un exabyte de datos del LHC	Reproducción del despacho de Reuters	Verificado; son datos experimentales, no el conjunto de entrenamiento simulado
Referencias bibliográficas (LaBraM, CBraMod, Roy, etc.) y cifras asociadas	Citadas de conocimiento previo; no contrastadas en esta sesión	Pendiente de verificación (DOI, cifras) antes de publicar

Límites y exclusiones

No se utiliza ninguna cifra de rendimiento de Flare, porque no existe ninguna publicada. No se afirma que Flare vaya a servir para detección de anomalías; es una extrapolación explícita. No se afirma que el EEG pueda beneficiarse de simulación con etiquetas exactas. No se establece ninguna relación causal entre física de partículas y dinámica neural, y la homología de la sección 5 no tiene valor probatorio. Las cifras de la literatura de EEG que figuran en este texto son aproximadas y deben comprobarse en las fuentes originales antes de cualquier publicación.

Resumen

• CERN y Mistral AI firmaron el 15 de octubre de 2026 una declaración de intenciones para desarrollar Flare, un modelo fundacional preentrenado con miles de millones de colisiones simuladas del LHC.
• No hay calendario, presupuesto, reglas de acceso ni resultados comparativos públicos. La sustitución de algoritmos especializados es un objetivo parcial, no un resultado.
• La física de colisionadores ofrece verdad de base exacta, instrumento conocido, simetrías, volumen y evaluación definida. El EEG carece de casi todo ello, sobre todo de etiquetas exactas y de unidades homogéneas.
• Los modelos fundacionales de EEG existentes (LaBraM, CBraMod) muestran indicios de mejora en varias tareas, pero la evidencia independiente es limitada y las líneas base clásicas siguen siendo fuertes con pocos datos.
• Se propone una homología estructural no causal entre la sustitución de módulos por una representación compartida y CPEA-NEXUS, con U(t) ocupando un lugar análogo al del codificador preentrenado.
• H1 (ventaja del preentrenamiento en detección de transiciones), H2 (mayor ventaja con menos etiquetas) y H3 (ventaja explicada por confusores; hipótesis que el corpus quiere ver refutada) llevan condiciones de falsabilidad preespecificadas.
• Seis programas (P0–P5) se ejecutan sobre infraestructura existente, con validación por sujeto, controles de confusores y revisiones externas fechadas (21 de enero y 21 de abril de 2027).
• Las referencias bibliográficas quedan pendientes de verificación (DOI y cifras) antes de publicar.

Referencias 

Sobre el anuncio

1. Marchandon, L. (2026, 15 de octubre). CERN and Mistral partner to build Flare, a new AI model for physics. Reuters. Fuente periodística primaria; el original no se pudo abrir y el texto se contrastó mediante reproducciones. Reproduce comunicación de CERN y Mistral, partes interesadas.
2. Mensch, A. (2026, 15 de octubre). Artículo de opinión en Le Monde. Conocido solo a través de Reuters. Posición de parte, a leer como tal.
3. «Flare am CERN: KI-Modell soll Milliarden LHC-Kollisionen auswerten» (borncity.com, octubre de 2026). Fuente secundaria; aporta que presupuesto, calendario y acceso siguen abiertos.
4. «CERN and Mistral Develop Physics Foundation Model» (letsdatascience.com, octubre de 2026). Agregador; fiabilidad baja; origen de la descripción de un modelo multitarea, no verificada.

Física de colisionadores

5. CMS Collaboration; Sirunyan, A. M. et al. (2017). Particle-flow reconstruction and global event description with the CMS detector. JINST 12, P10003. Referencia del algoritmo especializado que un sustituto tendría que igualar. Vínculo institucional declarado: colaboración de CERN.
6. Pata, J. et al. (2021). MLPF: efficient machine-learned particle-flow reconstruction using graph neural networks. Eur. Phys. J. C 81, 381. Precedente de reconstrucción aprendida frente a un algoritmo manual.
7. Qu, H., Li, C. y Qian, S. (2022). Particle Transformer for jet tagging. ICML. Precedente de arquitectura con alto rendimiento en etiquetado de chorros.
8. Birk, J., Hallin, A. y Kasieczka, G. (2024). OmniJet-α: the first cross-task foundation model for particle physics. Mach. Learn.: Sci. Technol. Precedente de preentrenamiento multitarea en el dominio.
9. Bommasani, R. et al. (2021). On the opportunities and risks of foundation models. arXiv:2108.07258. Definición del término y discusión de riesgos; vínculo institucional con Stanford CRFM.

EEG y modelos fundacionales

10. Jiang, W.-B., Zhao, L.-M. y Lu, B.-L. (2024). Large brain model for learning generic representations with tremendous EEG data in BCI (LaBraM). ICLR. Modelo fundacional de EEG de referencia; resultados aportados por los autores.
11. Wang, J. et al. (2025). CBraMod: a criss-cross brain foundation model for EEG decoding. ICLR. Segundo modelo de referencia; preentrenado sobre TUEG.
12. Roy, Y. et al. (2019). Deep learning-based electroencephalography analysis: a systematic review. J. Neural Eng. 16(5). Mejora modesta sobre métodos tradicionales y reproducibilidad baja; cifra a verificar.
13. Lotte, F. et al. (2018). A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update. J. Neural Eng. 15(3). Estado de las líneas base clásicas.
14. Ramoser, H., Müller-Gerking, J. y Pfurtscheller, G. (2000). Optimal spatial filtering of single trial EEG during imagined hand movement. IEEE Trans. Rehabil. Eng. 8(4). Origen de CSP.
15. Barachant, A. et al. (2012). Multiclass brain-computer interface classification by Riemannian geometry. IEEE Trans. Biomed. Eng. 59(4). Línea base riemanniana.
16. Lawhern, V. J. et al. (2018). EEGNet: a compact convolutional neural network for EEG-based brain-computer interfaces. J. Neural Eng. 15(5). Línea base de red profunda compacta.
17. Shenoy, P., Krauledat, M., Blankertz, B., Rao, R. P. N. y Müller, K.-R. (2006). Towards adaptive classification for BCI. J. Neural Eng. 3(1), R13. No estacionariedad del EEG.
18. Jayaram, V. y Barachant, A. (2018). MOABB: trustworthy algorithm benchmarking for BCIs. J. Neural Eng. 15(6). Marco de comparación estandarizada.
19. Brookshire, G. et al. (2024). Data leakage in deep learning studies of translational EEG. Front. Neurosci. 18. Fuga de datos entre particiones; justifica la validación por sujeto.
20. Schalk, G. et al. (2004). BCI2000: a general-purpose brain-computer interface system. IEEE Trans. Biomed. Eng. 51(6); Goldberger, A. L. et al. (2000). PhysioBank, PhysioToolkit, and PhysioNet. Circulation 101(23). Origen y distribución del conjunto Motor Movement/Imagery.
21. Obeid, I. y Picone, J. (2016). The Temple University Hospital EEG data corpus. Front. Neurosci. 10, 196; Shah, V. et al. (2018). The Temple University Hospital seizure detection corpus. Front. Neuroinform. 12, 83. Corpus de preentrenamiento y de transiciones clínicas anotadas.

Documentos del corpus: INTER-8 (normas epistémicas), INTER-22 (esquema bayesiano de k hipótesis en TAE-DET), INTER-23 (circularidad en la definición de eventos infrecuentes), CPEA-LATEN-1 (U(t)), CPEA-PFI-1 (falsabilidad con corrección de Benjamini-Hochberg), NEXUS-EEG v1.0.