DOI: https://doi.org/10.1016/j.knosys.2026.115966
تاريخ النشر: 2026-04-19
المؤلف: Dingkun Liu وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه الورقة البحثية MIRepNet، أول نموذج أساسي لتخطيط الدماغ EEG مصمم خصيصًا لنمط تخيل الحركة (MI)، والذي يعد ضروريًا لتطبيقات مثل إعادة تأهيل السكتة الدماغية والروبوتات المساعدة. يبرز المؤلفون أن نماذج EEG الأساسية الحالية تفشل في أخذ الفروق العصبية الفسيولوجية الخاصة بالنمط في الاعتبار، مما يحد من فعاليتها. يعالج MIRepNet هذه الفجوة من خلال دمج خط أنابيب معالجة مسبقة عالية الجودة لتخطيط الدماغ EEG يستخدم قالب قناة مستند إلى علم الأعصاب، قابل للتكيف مع تكوينات الأقطاب الكهربائية المختلفة.
بالإضافة إلى ذلك، يستخدم النموذج استراتيجية تدريب مسبق هجينة تجمع بين إعادة بناء الرموز المقنعة ذاتيًا وتصنيف MI تحت إشراف. تسهل هذه الطريقة التكيف السريع وفك التشفير الدقيق لمهام MI الجديدة، حتى مع أقل من 30 تجربة لكل فئة. تظهر التقييمات الشاملة عبر خمسة مجموعات بيانات عامة لـ MI مع 47 موضوعًا أن MIRepNet يحقق باستمرار أداءً رائدًا، متجاوزًا بشكل كبير كل من نماذج EEG المتخصصة والعامة. تؤكد النتائج على أهمية تطوير نماذج EEG الأساسية الخاصة بالنمط لتعزيز التطبيقات العملية لواجهة الدماغ-الكمبيوتر BCI.
مقدمة
في هذا القسم، يقدم المؤلفون MIRepNet، نموذجًا جديدًا مصممًا لفك تشفير إشارات تخيل الحركة (MI) من بيانات تخطيط الدماغ (EEG). يتم مقارنة أداء MIRepNet ضد تسعة خوارزميات متخصصة وخمسة نماذج EEG عامة. تشير النتائج، المقدمة في الجداول II-VII، إلى أن MIRepNet يتفوق باستمرار على كلا الفئتين من النماذج، محققًا أعلى دقة متوسطة عبر مجموعات بيانات متنوعة. من الجدير بالذكر أنه بينما تتطلب النماذج العامة الحالية ضبطًا دقيقًا واسع النطاق مع كمية كبيرة من البيانات من عدة مواضيع، يظهر MIRepNet أداءً قويًا مع 30% فقط من التجارب من جلسة واحدة، مما يبرز كفاءته في التكيف مع المستخدمين الفرديين.
يؤكد المؤلفون على قيود النماذج العامة الحالية، التي غالبًا ما تكافح لتعلم تمثيلات فعالة بسبب الخصائص العصبية الفسيولوجية المتنوعة عبر أنماط BCI المختلفة. بالمقابل، تم تصميم بنية MIRepNet لالتقاط أكثر قنوات EEG إبلاغًا، خاصة في المناطق الجبهية المركزية، المركزية، المركزية الجدارية، والزمانية، والتي تعتبر حاسمة لفك تشفير إشارات MI بدقة. تؤكد النتائج على إمكانية MIRepNet كبديل متفوق لتطبيقات BCI في الوقت الحقيقي، خاصة في السيناريوهات التي تتطلب تكيفًا سريعًا مع مواضيع جديدة.
مناقشة
في هذا القسم، يناقش المؤلفون قيود نماذج EEG الأساسية العامة الحالية لواجهات الدماغ-الكمبيوتر (BCIs)، خاصة في سياق مهام تخيل الحركة (MI). يبرزون ثلاثة تحديات رئيسية: دمج إشارات EEG من أنماط مختلفة، مما يقوض الخصائص العصبية الفسيولوجية المميزة لكل منها؛ الحاجة إلى تدريب مكثف بعد التدريب على بيانات من عدة مواضيع، مما يزيد من متطلبات البيانات ويعقد تكيف المستخدم؛ وعدم جدوى الحاجة إلى مجموعات بيانات معايرة كبيرة لأداء النموذج بشكل فعال. لمعالجة هذه القضايا، يقترح المؤلفون MIRepNet، نموذج EEG أساسي جديد مصمم خصيصًا لمهام MI.
يتضمن MIRepNet خط أنابيب معالجة مسبقة عالية الجودة تعمل على توحيد بيانات EEG عبر تكوينات سماعات رأس متنوعة ويستخدم استراتيجية تدريب مسبق هجينة تجمع بين إعادة بناء الرموز المقنعة مع تصنيف MI تحت إشراف. يظهر هذا النموذج تحسينات كبيرة في دقة فك التشفير ويتطلب عددًا أقل من التجارب المعايرة، محققًا تقاربًا سريعًا أثناء التكيف مع مواضيع جديدة. يقدم المؤلفون أدلة تجريبية شاملة، تظهر أن MIRepNet يتفوق على كل من نماذج EEG المتخصصة والعامة عبر مجموعات بيانات متعددة، مما يبرز أهمية النماذج الخاصة بالنمط لتعزيز قابلية الاستخدام وفعالية BCIs في التطبيقات السريرية.
DOI: https://doi.org/10.1016/j.knosys.2026.115966
Publication Date: 2026-04-19
Author(s): Dingkun Liu et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper presents MIRepNet, the first EEG foundation model specifically designed for the motor imagery (MI) paradigm, which is crucial for applications such as stroke rehabilitation and assistive robotics. The authors highlight that existing EEG foundation models fail to account for paradigm-specific neurophysiological differences, limiting their effectiveness. MIRepNet addresses this gap by incorporating a high-quality EEG preprocessing pipeline that utilizes a neurophysiologically-informed channel template, adaptable to various electrode configurations.
Additionally, the model employs a hybrid pretraining strategy that combines self-supervised masked token reconstruction with supervised MI classification. This approach facilitates rapid adaptation and accurate decoding for new MI tasks, even with fewer than 30 trials per class. Extensive evaluations across five public MI datasets with 47 subjects demonstrate that MIRepNet consistently achieves state-of-the-art performance, significantly surpassing both specialized and generalized EEG models. The findings emphasize the importance of developing paradigm-specific EEG foundation models to enhance practical BCI applications.
Introduction
In this section, the authors introduce MIRepNet, a novel model designed for decoding motor imagery (MI) signals from electroencephalography (EEG) data. The performance of MIRepNet is compared against nine specialist algorithms and five generalist EEG models. The results, presented in Tables II-VII, indicate that MIRepNet consistently outperforms both categories of models, achieving the highest average accuracy across various datasets. Notably, while existing generalist models require extensive fine-tuning with a significant amount of data from multiple subjects, MIRepNet demonstrates robust performance with only 30% of trials from a single session, highlighting its efficiency in adapting to individual users.
The authors emphasize the limitations of current generalist models, which often struggle to learn effective representations due to the diverse neurophysiological characteristics across different BCI paradigms. In contrast, MIRepNet’s architecture is designed to capture the most informative EEG channels, particularly in the frontal-central, central, centro-parietal, and temporal regions, which are critical for accurately decoding MI signals. The findings underscore the potential of MIRepNet as a superior alternative for real-time BCI applications, particularly in scenarios requiring rapid adaptation to new subjects.
Discussion
In this section, the authors discuss the limitations of existing generalized EEG foundation models for brain-computer interfaces (BCIs), particularly in the context of motor imagery (MI) tasks. They highlight three primary challenges: the merging of EEG signals from different paradigms, which undermines the distinct neurophysiological characteristics of each; the necessity for extensive post-training on data from multiple subjects, which increases data requirements and complicates user adaptation; and the impracticality of requiring large calibration datasets for effective model performance. To address these issues, the authors propose MIRepNet, a novel EEG foundation model specifically tailored for MI tasks.
MIRepNet incorporates a high-quality preprocessing pipeline that standardizes EEG data across diverse headset configurations and employs a hybrid pretraining strategy combining masked token reconstruction with supervised MI classification. This model demonstrates significant improvements in decoding accuracy and requires fewer calibration trials, achieving rapid convergence during adaptation to new subjects. The authors provide extensive experimental evidence, showing that MIRepNet outperforms both specialized and generalized EEG models across multiple datasets, emphasizing the importance of paradigm-specific models for enhancing the usability and effectiveness of BCIs in clinical applications.