近日，我院增材制造与工业机器人应用技术团队在国际学术期刊 IEEE Journal of Biomedical and Health Informatics（JBHI，中科院一区TOP期刊，影响因子6.7）上发表了一篇题为《MFRC-Net: Multi-Scale Feature Residual Convolutional Neural Network for Motor Imagery Decoding》的文章，DOI：10.1109/JBHI.2024.3467090。
该论文的第一完成单位为湖北工业大学机械工程学院，由我院李肖老师和研究生杨卓为等人共同完成。该工作得到了国家自然科学基金（62333007 和 52005169）的资助。
针对现有深度学习模型在脑机接口应用中普遍存在的规模庞大和计算资源需求高的问题，我们提出了一种新的轻量级多尺度特征残差卷积神经网络模型（Multi-Scale Feature Residual Convolutional Neural Network, MFRC-Net）。该模型充分融合多个域的特征信息，以解码运动想象脑电信号，在保持最小可训练参数数量的同时，展现了显著的分类精度，并对MI-EEG信号的波动具备卓越的鲁棒性。
在 BCI Competition IV 2a 数据集和 SHU 数据集上的实验结果表明，MFRC-Net 在仅有 13K 参数的轻量化设计下，分别达到了 85.1% 和 69.3% 的分类准确率，优于现有模型。
原文链接：https://ieeexplore.ieee.org/document/10689664
