要約
脳-コンピュータインターフェース（BCI）は、脳と外部デバイスとの間で直接的な通信を可能にする技術である。近年のEEG基盤モデルは、多様なBCIパラダイムにわたる汎用的な表現を学習することを目指している。しかし、こうしたアプローチは、パラダイム固有の神経生理学的特徴を無視しており、その一般化能力に限界がある。特に実用的なBCI導入において、データ収集の前段階で、たとえば脳卒中リハビリテーションや補助ロボティクスに用いられる運動イメージ（MI）といった具体的なパラダイムが事前に決定されるのが一般的である。本研究では、MIパラダイムに特化した初のEEG基盤モデルであるMIRepNetを提案する。MIRepNetは、神経生理学的知見に基づいた電極配置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を備えており、任意の電極配置を持つEEGヘッドセットに対応可能である。さらに、自己教師付きのマスクトークン再構成と教師あり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することで、クラスあたり30試行未満の少量データでも、新たな下流MIタスクに対して迅速な適応と高精度なデコードが可能となる。公開された5つのMIデータセットを用いた広範な評価において、MIRepNetは常に最先端の性能を達成し、専用モデルおよび汎用モデルの両方を著しく上回った。本研究のコードはGitHubにて公開予定\footnote{このhttps URL}。