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

📄 arXiv: 2507.20254v1 📥 PDF

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

分类: cs.CV

发布日期: 2025-07-27

🔗 代码/项目: GITHUB

💡 一句话要点

MIRepNet：面向脑电运动想象分类的专用预训练模型与流程

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑机接口 运动想象 脑电信号 预训练模型 自监督学习

📋 核心要点

  1. 现有脑电基础模型忽略了不同BCI范式间的神经生理差异，限制了其泛化能力，尤其是在运动想象(MI)等特定任务上。
  2. MIRepNet通过结合神经生理学信息的预处理流程和混合预训练策略，专门为MI范式设计，提升了模型在该任务上的性能。
  3. 实验表明，MIRepNet在五个公共MI数据集上均取得了SOTA性能，显著优于其他通用和专用脑电模型，且仅需少量样本即可快速适应。

📝 摘要（中文）

脑机接口(BCI)实现了大脑与外部设备的直接通信。近年来，脑电基础模型旨在学习跨多种BCI范式的通用表征。然而，这些方法忽略了特定范式的神经生理学差异，限制了其泛化能力。重要的是，在实际BCI部署中，通常在数据采集之前确定特定范式，例如用于中风康复或辅助机器人的运动想象(MI)。本文提出了MIRepNet，这是首个专为MI范式定制的脑电基础模型。MIRepNet包含高质量的脑电预处理流程，该流程结合了神经生理学信息的通道模板，可适应具有任意电极配置的脑电头盔。此外，我们引入了一种混合预训练策略，该策略结合了自监督的掩码token重建和监督的MI分类，从而可以在新的下游MI任务上进行快速适应和准确解码，每个类别的试验次数少于30次。在五个公共MI数据集上的广泛评估表明，MIRepNet始终达到最先进的性能，显著优于专用和通用脑电模型。

🔬 方法详解

问题定义：现有脑电基础模型试图学习通用的脑电表征，但忽略了不同脑机接口范式（如运动想象）之间固有的神经生理差异。这导致模型在特定任务上的性能受限，尤其是在数据量有限的情况下，难以快速适应新的运动想象任务。现有方法缺乏针对运动想象任务的专用优化。

核心思路：MIRepNet的核心思路是构建一个专门针对运动想象任务的脑电基础模型。通过结合神经生理学知识指导的预处理流程和混合预训练策略，模型能够更好地学习运动想象相关的脑电特征，从而提高分类精度和泛化能力。这种范式特定的方法旨在克服通用模型在特定任务上的局限性。

技术框架：MIRepNet包含以下主要模块： 1. 脑电预处理流程：包括神经生理学信息的通道模板，用于处理不同电极配置的脑电数据。 2. 混合预训练策略：结合自监督的掩码token重建和监督的运动想象分类，以学习更鲁棒和具有判别性的特征。 3. 下游任务适应：使用预训练的模型在新的运动想象数据集上进行微调，以实现快速适应和高性能。

关键创新：MIRepNet的关键创新在于其针对运动想象任务的专用设计。与通用的脑电基础模型不同，MIRepNet利用神经生理学知识来指导模型的构建和训练，从而更好地捕捉运动想象相关的脑电特征。混合预训练策略也使得模型能够同时学习通用的脑电表征和特定于运动想象任务的特征。

关键设计： * 通道模板：根据运动想象相关的脑区选择电极通道，并进行标准化处理。 * 掩码token重建：随机掩盖部分脑电信号，并使用模型预测被掩盖的部分，以学习脑电信号的内在结构。 * 运动想象分类：使用监督学习方法训练模型区分不同的运动想象类别。 * 损失函数：结合掩码token重建损失和分类损失，以优化模型的整体性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MIRepNet在五个公共运动想象数据集上取得了显著的性能提升，超越了现有的通用和专用脑电模型。该模型仅需少量训练样本（每个类别少于30个试验）即可快速适应新的数据集，并在多个数据集上实现了SOTA性能。实验结果表明，MIRepNet能够有效地学习运动想象相关的脑电特征，并具有良好的泛化能力。

🎯 应用场景

MIRepNet在脑机接口领域具有广泛的应用前景，尤其是在中风康复、辅助机器人控制、运动训练等领域。通过解码运动想象脑电信号，可以帮助患者恢复运动功能，实现对外部设备的控制，并提高运动技能。该模型能够快速适应新的用户和任务，降低了脑机接口系统的部署成本和使用门槛。

📄 摘要（原文）

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 GitHub\footnote{https://github.com/staraink/MIRepNet}.