MIRepNet: Un Pipeline y Modelo Fundacional para la Clasificación de Imaginación Motora Basada en EEG

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

July 27, 2025

Autores: Dingkun Liu, Zhu Chen, Jingwei Luo, Shijie Lian, Dongrui Wu

cs.AI

Resumen

Las interfaces cerebro-computadora (BCI, por sus siglas en inglés) permiten la comunicación directa entre el cerebro y dispositivos externos. Los modelos fundacionales recientes basados en EEG buscan aprender representaciones generalizadas en diversos paradigmas de BCI. Sin embargo, estos enfoques pasan por alto distinciones neurofisiológicas fundamentales específicas de cada paradigma, lo que limita su capacidad de generalización. Es importante destacar que, en implementaciones prácticas de BCI, el paradigma específico, como la imaginería motora (MI, por sus siglas en inglés) para la rehabilitación de accidentes cerebrovasculares o la robótica asistencial, generalmente se determina antes de la adquisición de datos. Este artículo propone MIRepNet, el primer modelo fundacional de EEG diseñado específicamente para el paradigma de MI. MIRepNet incluye una canalización de preprocesamiento de EEG de alta calidad que incorpora una plantilla de canales basada en neurofisiología, adaptable a dispositivos de EEG con configuraciones de electrodos arbitrarias. Además, introducimos una estrategia de preentrenamiento híbrida que combina la reconstrucción autosupervisada de tokens enmascarados y la clasificación supervisada de MI, facilitando una adaptación rápida y una decodificación precisa en nuevas tareas de MI con menos de 30 pruebas por clase. Evaluaciones exhaustivas en cinco conjuntos de datos públicos de MI demostraron que MIRepNet logró consistentemente un rendimiento de vanguardia, superando significativamente tanto a modelos especializados como generalizados de EEG. Nuestro código estará disponible en GitHub: 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.