MIRepNet: Eine Pipeline und ein Foundation-Modell für die Klassifizierung von Motor Imagery basierend auf EEG

MIRepNet: A Pipeline and Foundation Model for EEG-Based Motor Imagery Classification

July 27, 2025

papers.authors: Dingkun Liu, Zhu Chen, Jingwei Luo, Shijie Lian, Dongrui Wu

cs.AI

papers.abstract

Brain-Computer-Interfaces (BCIs) ermöglichen die direkte Kommunikation zwischen dem Gehirn und externen Geräten. Aktuelle EEG-Foundation-Modelle zielen darauf ab, generalisierte Repräsentationen über verschiedene BCI-Paradigmen hinweg zu erlernen. Diese Ansätze übersehen jedoch grundlegende, paradigmspezifische neurophysiologische Unterschiede, was ihre Generalisierungsfähigkeit einschränkt. Von besonderer Bedeutung ist, dass bei praktischen BCI-Anwendungen das spezifische Paradigma, wie beispielsweise Motor Imagery (MI) für die Schlaganfallrehabilitation oder assistive Robotik, in der Regel vor der Datenerfassung festgelegt wird. Dieses Papier stellt MIRepNet vor, das erste EEG-Foundation-Modell, das speziell für das MI-Paradigma entwickelt wurde. MIRepNet umfasst eine hochwertige EEG-Vorverarbeitungspipeline, die eine neurophysiologisch fundierte Kanalvorlage integriert und sich an EEG-Headsets mit beliebigen Elektrodenkonfigurationen anpassen lässt. Darüber hinaus führen wir eine hybride Vorabtrainingsstrategie ein, die selbstüberwachte Rekonstruktion maskierter Tokens und überwachte MI-Klassifikation kombiniert, um eine schnelle Anpassung und präzise Dekodierung bei neuen nachgelagerten MI-Aufgaben mit weniger als 30 Versuchen pro Klasse zu ermöglichen. Umfangreiche Evaluierungen über fünf öffentliche MI-Datensätze zeigten, dass MIRepNet durchweg Spitzenleistungen erzielte und sowohl spezialisierte als auch generalisierte EEG-Modelle deutlich übertraf. Unser Code wird auf GitHub verfügbar sein: https://github.com/staraink/MIRepNet.

English

Brain-computer interfaces (BCIs) enable direct communication between the brain and external devices. Recent EEG foundation models aim to learn generalized representations across diverse BCI paradigms. However, these approaches overlook fundamental paradigm-specific neurophysiological distinctions, limiting their generalization ability. Importantly, in practical BCI deployments, the specific paradigm such as motor imagery (MI) for stroke rehabilitation or assistive robotics, is generally determined prior to data acquisition. This paper proposes MIRepNet, the first EEG foundation model tailored for the MI paradigm. MIRepNet comprises a high-quality EEG preprocessing pipeline incorporating a neurophysiologically-informed channel template, adaptable to EEG headsets with arbitrary electrode configurations. Furthermore, we introduce a hybrid pretraining strategy that combines self-supervised masked token reconstruction and supervised MI classification, facilitating rapid adaptation and accurate decoding on novel downstream MI tasks with fewer than 30 trials per class. Extensive evaluations across five public MI datasets demonstrated that MIRepNet consistently achieved state-of-the-art performance, significantly outperforming both specialized and generalized EEG models. Our code will be available on GitHubhttps://github.com/staraink/MIRepNet.