MIRepNet: EEG 기반 운동 상상 분류를 위한 파이프라인 및 기초 모델

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

July 27, 2025

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

cs.AI

초록

뇌-컴퓨터 인터페이스(BCI)는 뇌와 외부 장치 간의 직접적인 통신을 가능하게 합니다. 최근의 EEG 기반 모델들은 다양한 BCI 패러다임에 걸쳐 일반화된 표현을 학습하는 것을 목표로 합니다. 그러나 이러한 접근 방식은 패러다임별로 고유한 신경생리학적 차이를 간과하여 일반화 능력을 제한합니다. 특히, 실제 BCI 적용에서는 뇌졸중 재활이나 보조 로봇공학을 위한 운동 상상(MI)과 같은 특정 패러다임이 일반적으로 데이터 수집 전에 결정됩니다. 본 논문은 MI 패러다임에 맞춰 설계된 첫 번째 EEG 기반 모델인 MIRepNet을 제안합니다. MIRepNet은 임의의 전극 구성으로 EEG 헤드셋에 적용 가능한 신경생리학적 정보를 반영한 채널 템플릿을 포함한 고품질 EEG 전처리 파이프라인으로 구성됩니다. 또한, 자기 지도 학습 방식의 마스크된 토큰 재구성과 지도 학습 방식의 MI 분류를 결합한 하이브리드 사전 학습 전략을 도입하여, 클래스당 30회 미만의 시행으로도 새로운 하류 MI 작업에 대한 빠른 적응과 정확한 디코딩을 가능하게 합니다. 5개의 공개 MI 데이터셋에 대한 광범위한 평가 결과, MIRepNet은 특화된 EEG 모델과 일반화된 EEG 모델 모두를 크게 능가하며, 지속적으로 최첨단 성능을 달성함을 입증했습니다. 우리의 코드는 GitHub(https://github.com/staraink/MIRepNet)에서 공개될 예정입니다.

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.