Öffentliches Register
Software-GesundheitsberichtSchema 0.27.0 · Metriken 2.10.0 · 2026-08-01 09:40 UTC

braindecode / braindecode

Deep learning software to decode EEG, ECG or MEG signals

PythonBSD-3-Clause★ 1.278 Sterne⑂ 271 Forksseit Jan. 2020Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#deep-learning#eeg#electroencephalogram#electroencephalography#neuroimaging#neuroscience#python#pytorch#meg#magnetoencephalography#electrocorticography#ecog

braindecode/braindecode erreicht einen Gesundheitsindex von 92 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Engineering Quality (96/100) ab, am schwächsten bei Security (48/100). Zuletzt heute aktualisiert. 2 Mitwirkende tragen den Großteil der jüngsten Arbeit.

92
gesamt / 100
Exzellent

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

92
Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien
Exzellent80-92Durchgehend stark; geringfügige Lücken
Gut65-79Gesund; Lücken sind begrenzt und beherrschbar
Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen
Schwach35-49Wesentliche Schwächen in mehreren Bereichen
Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht
Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)
VitalitätCommunity &VerbreitungNachhaltigkeit &GovernanceEngineering-QualitätSicherheitAI Readiness

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 78 wird auf der veröffentlichten Indexskala auf 92 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

BraindecodeOrganisation
110 Follower5 öffentliche Reposseit Dez. 2019

Dieses Repository wird von einer Organisation getragen — geteilte, rechenschaftspflichtige Trägerschaft, die jeden einzelnen Maintainer überdauern kann.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlichtTags
PyPIbraindecode1.7.0-264vor 0 Tagenpythondeep-learningneurosciencepytorchmegeegneuroimagingelectroencephalographymagnetoencephalographyelectrocorticographyecogelectroencephalogram

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

92Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

94Außergewöhnlich
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
29.8/36Commit-Rhythmus — 43/52 Wochen mit Commits
18/18Commit-Volumen — 523 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 30 commit(s) and 24 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year523
human_commit_share0,96
days_since_last_push0
active_weeks_last_year43

Release-Disziplin

90Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 15 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 0 Tagen
27/27Release-Rhythmus — ein Release etwa alle 41,7 Tage
0/10OpenSSF Scorecard: Signed-Releases — Project has not signed or included provenance with any releases.
Verwendete Eingangsdaten
releases_count15
latest_release_tagv1.7.0
releases_from_tagsnein
days_since_latest_release0
mean_days_between_releases41,7

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

74Gut · 17 % des Gesamtindex

Popularität & Verbreitung

78Gut
Wie die Bewertung erfolgt
50.4/60Stars — 1.278 Stars
20.3/25Forks — 271 Forks
7.1/15Watcher — 20 Watcher
Verwendete Eingangsdaten
forks271
stars1.278
watchers20
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

70Gut
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (BSD-3-Clause)
18/18CONTRIBUTING-Leitfaden
0/13.5Verhaltenskodex
0/7.2Issue-Vorlage
0/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges—
has_contributingja
has_issue_templatenein
has_code_of_conductnein
readme_badge_services—
has_pull_request_templatenein

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

78Gut · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

64Mittel
Wie die Bewertung erfolgt
25.2/54Bus-Faktor — 2 Beitragende decken die Hälfte aller Commits ab
14.9/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 34 % der Commits
13.5/13.5Breite der Beitragenden — 61 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 14 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor2
contributors_sampled61
top_contributor_share0,337

Reaktionsfähigkeit bei Issues & PRs

76Gut
Wie die Bewertung erfolgt
33.7/42Issue-Lösungsquote — 80 % der Issues geschlossen
26/30PR-Annahme — 586/675 entschiedene PRs gemergt
0/13Newcomer PR acceptance — kein PR eines Erstbeitragenden in 30 Tagen entschieden
6/15OpenSSF Scorecard: Code-Review — Found 6/14 approved changesets -- score normalized to 4
Verwendete Eingangsdaten
merged_prs586
open_issues82
closed_issues335
prs_merged_7d—
prs_decided_7d—
prs_merged_30d—
prs_decided_30d—
issue_closed_ratio0,803
closed_unmerged_prs89
first_time_authors_30d—
first_time_prs_merged_30d—
first_time_prs_decided_30d—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Newcomer PR acceptance. Die verbleibenden Gewichte wurden renormalisiert.

Eigentümerschaft & Trägerschaft

78Gut
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain — Verifizierungsstatus der Domain für diese Organisation nicht ausgelesen
14.7/25Reichweite des Inhabers — 110 Follower von braindecode
17.7/25Kontohistorie — 5 öffentliche Repos, Kontoalter ca. 6 Jahre
Verwendete Eingangsdaten
followers110
owner_typeOrganization
is_verified—
owner_loginbraindecode
public_repos5
account_age_days2.417
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Verifizierte Domain. Die verbleibenden Gewichte wurden renormalisiert.

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 0 Tagen
20/20Versionshistorie — 264 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagesbraindecode
ecosystemspypi
any_deprecatednein
min_days_since_publish0

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

96Außergewöhnlich · 19 % des Gesamtindex

Engineering-Praktiken

94Außergewöhnlich
Wie die Bewertung erfolgt
24/24CI-Workflows — 9 Workflow(s)
24/24Tests vorhanden
16/16Linter-Konfiguration
9.6/9.6Pre-Commit-Hooks
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 22 out of 22 merged PRs checked by a CI test -- score normalized to 10
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_configja
has_precommit_configja

Dokumentation

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://braindecode.org/
10/10Repository-Beschreibung
10/10Topics — 12 Topics
10/10Wiki
Verwendete Eingangsdaten
topicsdeep-learning, eeg, electroencephalogram, electroencephalography, neuroimaging, neuroscience, python, pytorch, meg, magnetoencephalography, electrocorticography, ecog
has_wikija
homepagehttps://braindecode.org/
docs_sitehttps://braindecode.org/
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

48Schwach · 16 % des Gesamtindex

Sicherheitslage

48Schwach
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
2.2/7.5Branch-Protection — branch protection is not maximal on development and all release branches
2.5/2.5CI-Tests — 22 out of 22 merged PRs checked by a CI test -- score normalized to 10
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
3/7.5Code-Review — Found 6/14 approved changesets -- score normalized to 4
2.5/2.5Contributors — project has 14 contributing companies or organizations
10/10Dangerous-Workflow — no dangerous workflow patterns detected
0/7.5Dependency-Update-Tool — no update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
7.5/7.5Maintained — 30 commit(s) and 24 issue activity found in the last 90 days -- score normalized to 10
5/5Packaging — packaging workflow detected
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
0/5SAST — SAST tool is not run on all commits -- score normalized to 0
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — Project has not signed or included provenance with any releases.
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
7.5/7.5Vulnerabilities — 0 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated18
scorecard_versionv5.5.0
checks_inconclusive0
scorecard_aggregate4,8

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

60Mittel · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

40Schwach
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
40/40Lesbare Commit-Historie — 87 von 96 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,906
agent_instruction_files—
agent_instruction_max_bytes—

AI-Verify-Loop (Build / Test / Typprüfung)

61Mittel
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — docs/Makefile
22/22Automatisierte Tests
11/11Lint-/Format-Konfiguration
0/11Statische Typprüfung
0/10Reproduzierbare Umgebung
10/10Belegte Agentenpraxis — 8 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
0/8Automatisierte Wartung — keine automatisierten Abhängigkeits-Updates beobachtet
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfiles—
has_dockerfilenein
typed_languagenein
bootstrap_filesdocs/Makefile
has_devcontainernein
has_linter_configja
typecheck_configs—
agent_commit_share0,08
toolchain_manifests—
dependency_bot_commit_share0

AI-Code-Lesbarkeit für Modelle

54Mittel
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
54/55Handhabbare Dateigrößen — 5/265 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes128.612
source_files_sampled265
oversized_source_files5

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto) — für diese Art von Software nicht anwendbar
0/20MCP-Server — für diese Art von Software nicht anwendbar
40/40Lauffähige Beispiele — examples
Verwendete Eingangsdaten
example_dirsexamples
has_mcp_signalnein
api_schema_files—
interfaces_expected_of—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): API-Schema (OpenAPI/GraphQL/proto), MCP-Server. Die verbleibenden Gewichte wurden renormalisiert.

Eckdaten

1.278GitHub-Sterne
61Mitwirkende
523Commits, letzte 12 Monate
0Tage seit letztem Push
15Releases
2Bus-Faktor
82offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • deps.dev does not index pypi:braindecode@1.7.0; advisories assessed against the repository dependency graph instead
  • No resolved dependencies carried a version and a supported ecosystem

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 271 ⇿
0Sterne
271Forks
14Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

050100150200250300261102020-012023-042026-07
Major 0Minor 7Patch 4

Jeder Punkt umfasst 6 Tage.

OpenSSF Scorecard 4.8 / 10
4.8Gesamtwert

Unabhängige, werkzeugneutrale Sicherheitsbewertung durch das quelloffene OpenSSF Scorecard. Jede Prüfung honoriert eine Sicherheits-Praxis, nicht das Werkzeug eines bestimmten Anbieters. Prüfungen, die Scorecard nicht ermitteln konnte, sind mit k. A. markiert und vom Sicherheitswert ausgeschlossen (nie als null gezählt).Scorecard v5.5.0 · 2026-08-01 09:39 UTC

10Binary-Artifactsno binaries found in the repo
3Branch-Protectionbranch protection is not maximal on development and all release branches
10CI-Tests22 out of 22 merged PRs checked by a CI test -- score normalized to 10
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
4Code-ReviewFound 6/14 approved changesets -- score normalized to 4
10Contributorsproject has 14 contributing companies or organizations
10Dangerous-Workflowno dangerous workflow patterns detected
0Dependency-Update-Toolno update tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
10Maintained30 commit(s) and 24 issue activity found in the last 90 days -- score normalized to 10
10Packagingpackaging workflow detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
0SASTSAST tool is not run on all commits -- score normalized to 0
0Security-Policysecurity policy file not detected
0Signed-ReleasesProject has not signed or included provenance with any releases.
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
10Vulnerabilities0 existing vulnerabilities detected
Direkte Abhängigkeiten 14
RegistryPaketVersionsvorgabeManifest
PyPItorch>=2.0pyproject.toml
PyPItorchaudio>=2.0pyproject.toml
PyPImne>=1.11.0pyproject.toml
PyPImne_bids>=0.18pyproject.toml
PyPIh5py—pyproject.toml
PyPIskorch>=1.3.0pyproject.toml
PyPIjoblib—pyproject.toml
PyPItorchinfo—pyproject.toml
PyPIpandas—pyproject.toml
PyPIwfdb>=4.3.1pyproject.toml
PyPIlinear_attention_transformer—pyproject.toml
PyPIdocstring_inheritance—pyproject.toml
PyPIrotary_embedding_torch—pyproject.toml
PyPIpydantic>=2.0pyproject.toml
Alle Abhängigkeiten 18

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 7 direkte und 11 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPImne—direkt
PyPImne-bids—direkt
PyPIpydantic—direkt
PyPIskorch—direkt
PyPItorch—direkt
PyPItorchaudio—direkt
PyPIwfdb—direkt
PyPIcaptum—indirekt
PyPIeegprep—indirekt
PyPIexca—indirekt
PyPIhuggingface-hub—indirekt
PyPImoabb—indirekt
PyPInumpydantic—indirekt
PyPIopenneuro-py—indirekt
PyPIpytest—indirekt
PyPIsetuptools—indirekt
PyPItransformers—indirekt
PyPIzarr—indirekt
Abhängigkeits-Advisories nicht bewertet

Der Advisory-Abgleich konnte für diesen Bericht nicht ausgeführt werden: No resolved dependencies carried a version and a supported ecosystem

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Die Nachricht bleibt bei der Anmeldung erhalten.

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit braindecode/braindecode teilen. Nebeneinander lesen →

99mne-tools/mne-pythonMNE: Magnetoencephalography (MEG) and Electroencephalography (EEG) in PythonAußergewöhnlich100ray-project/rayRay is an AI compute engine. Ray consists of a core distributed runtime and a set of AI Libraries for accelerating ML workloads.Außergewöhnlich99huggingface/transformers🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. Außergewöhnlich98keras-team/kerasDeep Learning for humansAußergewöhnlich98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeAußergewöhnlich98pytorch/pytorchTensors and Dynamic neural networks in Python with strong GPU accelerationAußergewöhnlich

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.27.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.