MIRepNet: Конвейер и базисная модель для классификации моторного воображения на основе ЭЭГ

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

July 27, 2025

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

cs.AI

Аннотация

Интерфейсы "мозг-компьютер" (ИМК) обеспечивают прямое взаимодействие между мозгом и внешними устройствами. Современные базовые модели для электроэнцефалографии (ЭЭГ) стремятся к обучению обобщенных представлений для различных парадигм ИМК. Однако эти подходы игнорируют фундаментальные нейрофизиологические различия, специфичные для каждой парадигмы, что ограничивает их способность к обобщению. Важно отметить, что в практических применениях ИМК, таких как моторное воображение (МИ) для реабилитации после инсульта или вспомогательной робототехники, конкретная парадигма обычно определяется до сбора данных. В данной статье представлена MIRepNet — первая базовая модель ЭЭГ, разработанная специально для парадигмы МИ. MIRepNet включает в себя высококачественный конвейер предобработки ЭЭГ, который использует нейрофизиологически обоснованный шаблон каналов, адаптируемый к гарнитурам ЭЭГ с произвольной конфигурацией электродов. Кроме того, мы предлагаем гибридную стратегию предварительного обучения, сочетающую самоконтролируемое восстановление замаскированных токенов и контролируемую классификацию МИ, что способствует быстрой адаптации и точному декодированию на новых задачах МИ с использованием менее 30 проб на класс. Обширные оценки на пяти публичных наборах данных МИ показали, что MIRepNet стабильно достигает наилучших результатов, значительно превосходя как специализированные, так и обобщенные модели ЭЭГ. Наш код будет доступен на 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.