論文の概要: MIRepNet: A Pipeline and Foundation Model for EEG-Based Motor Imagery Classification

• arxiv url: http://arxiv.org/abs/2507.20254v1
• Date: Sun, 27 Jul 2025 12:54:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.361158
• Title: MIRepNet: A Pipeline and Foundation Model for EEG-Based Motor Imagery Classification
• Title（参考訳）: MIRepNet:脳波画像分類のためのパイプラインと基礎モデル
• Authors: Dingkun Liu, Zhu Chen, Jingwei Luo, Shijie Lian, Dongrui Wu,
• Abstract要約: 脳コンピュータインタフェース(BCI)は、脳と外部デバイス間の直接通信を可能にする。 最近の脳波基礎モデルは、多様なBCIパラダイムにわたる一般化された表現を学習することを目的としている。 本稿では,運動画像パラダイムに適した脳波基礎モデルMIRepNetを提案する。
• 参考スコア（独自算出の注目度）: 12.648298676665886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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}.
• Abstract（参考訳）: 脳コンピュータインタフェース(BCI)は、脳と外部デバイス間の直接通信を可能にする。 最近の脳波基礎モデルは、多様なBCIパラダイムにわたる一般化された表現を学習することを目的としている。 しかしながら、これらのアプローチは、基本的なパラダイム固有の神経生理学的区別を見落とし、一般化能力を制限する。 重要なことは、実践的なBCIデプロイメントにおいて、脳卒中リハビリテーションや補助ロボットのための運動画像(MI)のような特定のパラダイムは、一般的にデータ取得の前に決定されることである。 本稿では,MIパラダイムに適した最初のEEG基盤モデルであるMIRepNetを提案する。 MIRepNetは、神経生理学的にインフォームドされたチャネルテンプレートを組み込んだ高品質なEEG前処理パイプラインで構成され、任意の電極構成でEEGヘッドセットに適合する。 さらに、自己監督型マスクトークン再構築とMI分類を組み合わせたハイブリッド事前学習戦略を導入し、1クラス30回未満の新規なMIタスクの迅速な適応と正確な復号化を可能にした。 5つの公開MIデータセットにわたる広範囲な評価により、MIRepNetは一貫して最先端のパフォーマンスを達成し、専門的および一般化されたEEGモデルよりも大幅に優れていた。 私たちのコードはGitHub\footnote{https://github.com/staraink/MIRepNet}で公開されます。

関連論文リスト

• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• EEGEncoder: Advancing BCI with Transformer-Based Motor Imagery Classification [11.687193535939798]
  脳-コンピュータインタフェース(BCI)は、脳波信号を用いてデバイスを直接神経制御する。 脳波に基づく運動画像(MI)分類のための従来の機械学習手法は、手動の特徴抽出やノイズに対する感受性といった課題に遭遇する。 本稿では,これらの制限を克服するために改良型トランスフォーマーとTCNを用いたディープラーニングフレームワークであるEEGEncoderを紹介する。
  論文  参考訳（メタデータ） (2024-04-23T09:51:24Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• ConTraNet: A single end-to-end hybrid network for EEG-based and EMG-based human machine interfaces [0.0]
  本稿では,CNN と Transformer アーキテクチャをベースとした ConTraNet という単一ハイブリッドモデルを提案する。 ConTraNetは、異なるHMIパラダイムから異なる特徴を学習し、アートアルゴリズムの現在の状態と同等に一般化する。
  論文  参考訳（メタデータ） (2022-06-21T18:55:50Z)
• Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification [14.95694356964053]
  対称正定値(SPD)上での脳波信号を特徴付ける幾何学的深層学習フレームワークCSPNetを提案する。 CSPNetは、2つのMI-EEGデータセットのクロスバリデーションとホールドアウトシナリオにおいて、現在の最先端のパフォーマンスを達成またはわずかに上回る。
  論文  参考訳（メタデータ） (2022-02-05T02:52:23Z)
• CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet [0.2936007114555107]
  運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。 信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。 ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
  論文  参考訳（メタデータ） (2021-05-17T14:57:13Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Motor Imagery Classification of Single-Arm Tasks Using Convolutional Neural Network based on Feature Refining [5.620334754517149]
  運動画像(MI)は、信号の発端から運動機能の回復や回復に一般的に用いられる。 本研究では,BFR-CNN(Band-power Feature Refining Convolutional Neural Network)を提案する。
  論文  参考訳（メタデータ） (2020-02-04T04:36:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。