Nous présentons un réseau neuronal nommé PLEIADES (PoLynômes d'Expansion dans les Systèmes Événementiels Adaptatifs et Distribués), qui fait partie de l'architecture TENNs (Réseaux Neuronaux Temporels). Nous nous concentrons sur l'interface de ces réseaux avec des données événementielles pour effectuer une classification et une détection spatio-temporelles en ligne avec une faible latence. Grâce à l'utilisation de noyaux temporels structurés et de données événementielles, nous avons la liberté de varier le taux d'échantillonnage des données ainsi que la taille du pas de discrétisation du réseau sans nécessiter d'ajustements supplémentaires.Nous avons expérimenté trois benchmarks événementiels et obtenu des résultats de pointe sur chacun d'eux, avec des marges importantes et des coûts mémoire et calcul significativement plus faibles. Nous avons atteint : 1) une précision de 99,59 % avec 192 K paramètres sur le jeu de données DVS128 pour la reconnaissance des gestes manuels, et 100 % avec un filtre de sortie supplémentaire ; 2) une précision de test de 99,58 % avec 277 K paramètres sur le défi AIS 2024 pour le suivi oculaire ; et 3) un mAP (mean Average Precision) de 0,556 avec 576 K paramètres sur le jeu de données PROPHESEE 1 Megapixel pour la détection automobile.