⏶19
MIRepNet：用于基于脑电图运动想象分类的流水线与基础模型
发表
由 
Dingkun Liu 提交
Dingkun Liu 提交作者: Dingkun Liu, 
Zhu Chen, 
Jingwei Luo, 
Shijie Lian, Dongrui Wu
Dingkun Liu, Zhu Chen, Jingwei Luo, Shijie Lian, Dongrui Wu摘要
脑机接口（BCI）实现了大脑与外部设备之间的直接通信。近期的脑电图（EEG）基础模型旨在学习跨越不同BCI范式的通用表征。然而，这些方法忽略了特定范式之间根本的神经生理学差异，从而限制了其泛化能力。重要的是，在实际的BCI部署中，特定的范式（如用于中风康复或辅助机器人的运动想象（MI））通常在数据采集之前就已确定。本文提出了MIRepNet，这是首个专为运动想象（MI）范式定制的EEG基础模型。MIRepNet包含一个高质量的EEG预处理流程，该流程集成了一个基于神经生理学知识的通道模板，可适应任何电极配置的EEG头戴设备。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令牌重建和有监督的MI分类，从而能够在每个类别少于30次试验的情况下，快速适应新的下游MI任务并进行准确解码。在五个公开的MI数据集上进行的大量评估表明，MIRepNet始终取得了业界领先的性能，显著优于专门化和通用化的EEG模型。我们的代码将在GitHub上提供https://github.com/staraink/MIRepNet。
jacike
基于脑电图（EEG）的运动想象（MI）分类的首个基础模型：
本文介绍了首个专门为基于运动想象（MI）的脑电图（EEG）分类设计的基础模型，名为MIRepNet。它通过解决在多样受试者、电极配置和新任务类别之间进行泛化，且只需最少校准的挑战，填补了BCI领域的一个关键空白。作者提出了一个强大的高质量MI数据构建管道，该管道统一了异构EEG信号，增强了模型的适应性。这尤其重要，因为脑电图耳机在电极数量和放置方面通常有所不同，并且来自不同来源的数据质量可能不一致。
该论文的关键贡献之一是其创新的预训练策略，将自监督掩码令牌重建与监督MI分类相结合。这种混合方法使得MIRepNet能够快速适应新的受试者和任务，只需少量新数据即可进行微调（每类少于30次试验）。对五个MI数据集进行的大量实验证明了所提出模型的有效性，其性能始终优于最先进的EEG模型。
该论文成功地强调了针对特定范式的EEG分类基础模型的重要性。结果强烈表明，此类定制模型可以显著提高BCI的准确性和实用性，使其在辅助技术和康复系统等实际应用中更具可行性。