MIRepNet: Um Pipeline e Modelo Base para Classificação de Imagética Motora Baseada em 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

Resumo

Interfaces cérebro-computador (BCIs) permitem a comunicação direta entre o cérebro e dispositivos externos. Modelos de base recentes de EEG visam aprender representações generalizadas em diversos paradigmas de BCI. No entanto, essas abordagens negligenciam distinções neurofisiológicas fundamentais específicas de cada paradigma, limitando sua capacidade de generalização. É importante destacar que, em implantações práticas de BCI, o paradigma específico, como a imagética motora (MI) para reabilitação de AVC ou robótica assistiva, geralmente é determinado antes da aquisição de dados. Este artigo propõe o MIRepNet, o primeiro modelo de base de EEG adaptado especificamente para o paradigma de MI. O MIRepNet compreende um pipeline de pré-processamento de EEG de alta qualidade, incorporando um modelo de canal informado neurofisiologicamente, adaptável a headsets de EEG com configurações de eletrodos arbitrárias. Além disso, introduzimos uma estratégia de pré-treinamento híbrida que combina reconstrução auto-supervisionada de tokens mascarados e classificação supervisionada de MI, facilitando a rápida adaptação e decodificação precisa em novas tarefas de MI com menos de 30 tentativas por classe. Avaliações extensas em cinco conjuntos de dados públicos de MI demonstraram que o MIRepNet consistentemente alcançou desempenho de ponta, superando significativamente tanto modelos especializados quanto generalizados de EEG. Nosso código estará disponível no 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.