MIRepNet：用于基于 EEG 的运动想象分类的处理流程与基础模型

基于摘要分析。该研究针对通用 EEG 基础模型可能忽视不同 BCI 范式之间神经生理差异的问题，提出面向运动想象（MI）分类的 MIRepNet，将 EEG 预处理流程与范式专用基础模型相结合。其出发点是实际 BCI 部署通常在采集前已确定任务范式，因此可围绕 MI 学习更具针对性的表征；作者将其称为首个专为 MI 范式设计的 EEG 基础模型，这一优先性声明尚未独立核实。 方法包含两个关键部分：一是引入具有神经生理依据的通道模板，作者称其可适配任意电极配置的 EEG 设备；二是混合预训练，将自监督掩码 token 重建与监督 MI 分类结合，以支持新下游 MI 任务的快速适应。摘要未说明通道映射方式、token 构造、模型架构、损失权重及下游微调流程，这些实现细节尚未验证。 作者报告，在五个公开 MI 数据集上的评估中，MIRepNet 持续达到最先进性能，并显著优于专用及通用 EEG 模型；同时报告其可在新下游任务中以每类少于 30 个试次实现适应与解码。摘要未提供数据集名称、具体指标与数值，也未明确这些结论对应被试内、跨被试或跨会话协议，因此不能据此量化性能增益或判断不同泛化情境下的优势。实验协议、消融及统计信息尚未验证。 复现时应重点核对预训练与下游评估的数据划分、少样本试次的抽取和重复方式、不同电极配置的适配流程，以及混合预训练各组成部分的独立贡献。摘要表示代码将发布于 GitHub，但当前材料不能确认代码、预训练权重及完整复现配置是否已公开。文中以卒中康复和辅助机器人说明 MI 的应用背景，并未提供相应临床验证证据。