MIRepNet : Une chaîne de traitement et un modèle fondamental pour la classification de l’imagerie motrice à partir d’EEG

Les interfaces cerveau-machine (ICM) permettent une communication directe entre le cerveau et des dispositifs externes. Les modèles fondamentaux à base d’EEG récents visent à apprendre des représentations généralisées à travers divers paradigmes d’ICM. Toutefois, ces approches négligent les différences neurophysiologiques fondamentales propres à chaque paradigme, ce qui limite leur capacité de généralisation. Plus important encore, dans les déploiements pratiques d’ICM, le paradigme spécifique — par exemple l’imagerie motrice (IM) pour la rééducation après accident vasculaire cérébral ou la robotique d’assistance — est généralement déterminé avant l’acquisition des données. Ce papier présente MIRepNet, le premier modèle fondamental EEG spécifiquement conçu pour le paradigme d’imagerie motrice. MIRepNet intègre un pipeline de prétraitement EEG de haute qualité, incluant un modèle de canaux fondé sur des principes neurophysiologiques, et adaptable à des casques EEG dotés de configurations d’électrodes arbitraires. En outre, nous proposons une stratégie hybride de pré-entraînement combinant la reconstruction auto-supervisée de jetons masqués et la classification supervisée de l’imagerie motrice, permettant une adaptation rapide et une décodage précis sur de nouvelles tâches d’IM en moins de 30 essais par classe. Des évaluations étendues sur cinq jeux de données publics d’imagerie motrice ont montré que MIRepNet atteint de manière cohérente des performances de pointe, surpassant significativement à la fois les modèles spécialisés et les modèles généralisés EEG. Le code sera disponible sur GitHub\footnote{this https URL}.