MIRepNet: Una Pipeline e un Modello Fondamentale per la Classificazione dell'Immaginazione Motoria Basata su EEG

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

July 27, 2025

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

cs.AI

Abstract

Le interfacce cervello-computer (BCI) consentono la comunicazione diretta tra il cervello e dispositivi esterni. I recenti modelli di base per l'EEG mirano a apprendere rappresentazioni generalizzate attraverso diversi paradigmi BCI. Tuttavia, questi approcci trascurano distinzioni neurofisiologiche fondamentali specifiche del paradigma, limitando la loro capacità di generalizzazione. È importante sottolineare che, nelle implementazioni pratiche delle BCI, il paradigma specifico, come l'immaginazione motoria (MI) per la riabilitazione post-ictus o la robotica assistiva, è generalmente determinato prima dell'acquisizione dei dati. Questo articolo propone MIRepNet, il primo modello di base EEG progettato specificamente per il paradigma MI. MIRepNet comprende una pipeline di pre-elaborazione EEG di alta qualità che incorpora un modello di canale informato neurofisiologicamente, adattabile a cuffie EEG con configurazioni di elettrodi arbitrarie. Inoltre, introduciamo una strategia di pre-addestramento ibrida che combina la ricostruzione auto-supervisionata di token mascherati e la classificazione supervisionata MI, facilitando un rapido adattamento e una decodifica accurata su nuovi compiti MI downstream con meno di 30 prove per classe. Valutazioni estese su cinque dataset MI pubblici hanno dimostrato che MIRepNet ha costantemente raggiunto prestazioni all'avanguardia, superando significativamente sia modelli EEG specializzati che generalizzati. Il nostro codice sarà disponibile su 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.