diff --git a/Python/Xiao_BLE_tools/xiao_calibration_tool.py b/Python/Xiao_BLE_tools/xiao_calibration_tool.py
index 177bc48..48e0795 100644
--- a/Python/Xiao_BLE_tools/xiao_calibration_tool.py
+++ b/Python/Xiao_BLE_tools/xiao_calibration_tool.py
@@ -44,8 +44,10 @@ debug_mode = 3           # 0=OFF, 1=RAW, 2=TRIGGERS, 3=FULL (actif par défaut)
 import numpy as np
 X = np.arange(WINDOW_SIZE)   # axe X fixe, ne change jamais
 
-# Fenêtre de moyenne glissante en samples (60ms window / 50ms debug rate = ~1.2 → 3 samples min)
-AVG_WINDOW = 3   # correspond à la accelWindow/gyroWindow/audioWindow envoyée au XIAO (60ms @ 20Hz)
+# Fenêtre en samples correspondant à la Window du XIAO (60ms / 50ms debug rate = ~1.2 → 3 samples)
+# Le XIAO ne fait PAS de moyenne : il compare la valeur brute au seuil et maintient le trigger 60ms.
+# On affiche donc le MAX glissant sur 3 samples = ce que le XIAO "retient" comme pic actif.
+AVG_WINDOW = 3
 
 # ─── BLE ────────────────────────────────────────────────
 def debug_callback(sender, data):
@@ -231,9 +233,9 @@ axes[3].set_yticks([])   # pas de graduations Y sur la timeline
 line_a,  = axes[0].plot(X, list(accel_buf), color=CA,  lw=1.0, alpha=0.5, label='Brut')
 line_g,  = axes[1].plot(X, list(gyro_buf),  color=CG,  lw=1.0, alpha=0.5, label='Brut')
 line_m,  = axes[2].plot(X, list(audio_buf), color=CM,  lw=1.0, alpha=0.5, label='Brut')
-line_a2, = axes[0].plot(X, list(accel_buf), color=CA2, lw=2.0, label=f'Moyenne ({AVG_WINDOW} pts / 60ms)')
-line_g2, = axes[1].plot(X, list(gyro_buf),  color=CG2, lw=2.0, label=f'Moyenne ({AVG_WINDOW} pts / 60ms)')
-line_m2, = axes[2].plot(X, list(audio_buf), color=CM2, lw=2.0, label=f'Moyenne ({AVG_WINDOW} pts / 60ms)')
+line_a2, = axes[0].plot(X, list(accel_buf), color=CA2, lw=2.0, label=f'Pic maintenu ({AVG_WINDOW} pts / 60ms) ← logique XIAO')
+line_g2, = axes[1].plot(X, list(gyro_buf),  color=CG2, lw=2.0, label=f'Pic maintenu ({AVG_WINDOW} pts / 60ms) ← logique XIAO')
+line_m2, = axes[2].plot(X, list(audio_buf), color=CM2, lw=2.0, label=f'Pic maintenu ({AVG_WINDOW} pts / 60ms) ← logique XIAO')
 line_s,  = axes[3].plot(X, list(shot_buf),  color=CS,  lw=0, marker='|',
                         markersize=20, markeredgewidth=2.5)  # barres verticales
 
@@ -276,10 +278,12 @@ def update_spans(spans, trig_list):
     for i, span in enumerate(spans):
         span.set_alpha(0.25 if i < len(tl) and tl[i] else 0)
 
-def rolling_avg(arr, window):
-    """Moyenne glissante simple — même logique que le XIAO"""
-    kernel = np.ones(window) / window
-    return np.convolve(arr, kernel, mode='same')
+def rolling_max(arr, window):
+    """Max glissant — simule le trigger qui reste actif pendant 'window' samples (logique XIAO)"""
+    from numpy.lib.stride_tricks import sliding_window_view
+    pad = window - 1
+    padded = np.pad(arr, (pad, 0), mode='edge')
+    return np.max(sliding_window_view(padded, window), axis=1)
 
 def update(frame):
     # Snapshot des buffers (rapide)
@@ -288,10 +292,10 @@ def update(frame):
     m  = np.array(audio_buf, dtype=float)
     s  = np.array(shot_buf)
 
-    # Moyennes glissantes (même fenêtre que le XIAO)
-    a_avg = rolling_avg(a, AVG_WINDOW)
-    g_avg = rolling_avg(g, AVG_WINDOW)
-    m_avg = rolling_avg(m, AVG_WINDOW)
+    # Pic maintenu sur la fenêtre (même logique que le trigger XIAO)
+    a_avg = rolling_max(a, AVG_WINDOW)
+    g_avg = rolling_max(g, AVG_WINDOW)
+    m_avg = rolling_max(m, AVG_WINDOW)
 
     # Mise à jour des données des lignes
     line_a.set_ydata(a)