MIRepNet: Een pijplijn en basis model voor EEG-gebaseerde motorische verbeelding classificatie

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

July 27, 2025

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

cs.AI

Samenvatting

Brain-computer interfaces (BCI's) maken directe communicatie mogelijk tussen het brein en externe apparaten. Recente EEG-foundationmodellen streven ernaar om gegeneraliseerde representaties te leren over diverse BCI-paradigma's. Deze benaderingen negeren echter fundamentele, paradigma-specifieke neurofysiologische verschillen, wat hun generalisatievermogen beperkt. Belangrijk is dat in praktische BCI-implementaties het specifieke paradigma, zoals motor imagery (MI) voor revalidatie na een beroerte of ondersteunende robotica, meestal al voorafgaand aan de data-acquisitie wordt bepaald. Dit artikel introduceert MIRepNet, het eerste EEG-foundationmodel dat specifiek is afgestemd op het MI-paradigma. MIRepNet omvat een hoogwaardige EEG-verwerkingspijplijn die een neurofysiologisch onderbouwde kanaalsjabloon bevat, aanpasbaar aan EEG-headsets met willekeurige elektrodeconfiguraties. Daarnaast introduceren we een hybride voorafgaande trainingsstrategie die zelfsupervised gemaskeerde token-reconstructie combineert met supervised MI-classificatie, wat een snelle aanpassing en nauwkeurige decodering mogelijk maakt bij nieuwe downstream MI-taken met minder dan 30 trials per klasse. Uitgebreide evaluaties over vijf openbare MI-datasets toonden aan dat MIRepNet consistent state-of-the-art prestaties behaalde en zowel gespecialiseerde als gegeneraliseerde EEG-modellen significant overtrof. Onze code zal beschikbaar zijn op 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.