MIRepNet : Un pipeline et un modèle de base pour la classification de l'imagerie motrice basée sur l'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

Les interfaces cerveau-ordinateur (BCI) permettent une communication directe entre le cerveau et des dispositifs externes. Les modèles de fondation EEG récents visent à apprendre des représentations généralisées à travers divers paradigmes BCI. Cependant, ces approches négligent les distinctions neurophysiologiques fondamentales spécifiques à chaque paradigme, limitant ainsi leur capacité de généralisation. Il est important de noter que dans les déploiements pratiques de BCI, le paradigme spécifique, comme l'imagerie motrice (MI) pour la rééducation post-AVC ou la robotique d'assistance, est généralement déterminé avant l'acquisition des données. Cet article propose MIRepNet, le premier modèle de fondation EEG conçu spécifiquement pour le paradigme MI. MIRepNet comprend un pipeline de prétraitement EEG de haute qualité intégrant un modèle de canaux informé par la neurophysiologie, adaptable aux casques EEG avec des configurations d'électrodes arbitraires. De plus, nous introduisons une stratégie de pré-entraînement hybride qui combine la reconstruction auto-supervisée de tokens masqués et la classification supervisée MI, facilitant une adaptation rapide et un décodage précis sur de nouvelles tâches MI en aval avec moins de 30 essais par classe. Des évaluations approfondies sur cinq ensembles de données MI publics ont démontré que MIRepNet atteint systématiquement des performances de pointe, surpassant significativement à la fois les modèles EEG spécialisés et généralisés. Notre code sera disponible sur 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.