1256
0
2025-10-11
2025-10-11
近日，團(tuán)隊(duì)2023級研究生陳泉霖在李景聰副教授的悉心指導(dǎo)下，研究成果“SemSTNet: Medical EEG Semantic Metric Learning with Class Prototypes Generated by Pretrained Language Model”被生物醫(yī)學(xué)工程與腦機(jī)接口領(lǐng)域的國際權(quán)威旗艦期刊《IEEE Transactions on Biomedical Engineering》（華南師范大學(xué)一類層次期刊）成功錄用。該論文自2025年4月提交，于2025年10月10日被正式接收。
對EEG進(jìn)行識別有助于診斷疾病等任務(wù)，隨著深度學(xué)習(xí)的普及，大量深度學(xué)習(xí)的方法被應(yīng)用在EEG識別上。然而，大多數(shù)方法依賴復(fù)雜的結(jié)構(gòu)，沒有很好地適應(yīng)EEG的結(jié)構(gòu)。我們提出了一個(gè)通過結(jié)合語義度量和輕量級卷積架構(gòu)SemSTNet，其在腦電圖分類任務(wù)中實(shí)現(xiàn)了高性能與高效率的完美平衡。
腦電信號識別在疾病診斷等任務(wù)中具有重要價(jià)值。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，越來越多的深度學(xué)習(xí)方法被應(yīng)用于EEG識別。然而，現(xiàn)有方法大多依賴于“大而重”的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，難以貼合腦電信號的時(shí)-頻-空多維特性。為此，我們提出了一種提出語義度量驅(qū)動的輕量卷積框架 SemSTNet，在保持模型性能的同時(shí)，大量壓縮參數(shù)量與推理時(shí)間，實(shí)現(xiàn)了腦電分類任務(wù)中高性能與高效率的平衡。
(1) 語義度量框架
SemSTNet的核心創(chuàng)新在于引入了一種語義度量學(xué)習(xí)范式，利用預(yù)訓(xùn)練語言模型生成類別原型，從而更好地捕捉不同腦電類別之間的語義關(guān)系，增強(qiáng)同類樣本的緊湊性。這些原型在訓(xùn)練前離線生成，無需在部署時(shí)調(diào)用語言模型，極大降低了計(jì)算開銷。
圖1 語義度量架構(gòu)
(2) 輕量級卷積架構(gòu)
圖2 輕量級多尺度門控模塊和空間模塊
此外，SemSTNet采用輕量級卷積架構(gòu)，分別處理腦電信號的時(shí)空特征，模型參數(shù)量僅為23K，比主流基于Transformer的模型減少超過100倍。盡管模型較小，其在癲癇事件分類和睡眠分期等任務(wù)上的表現(xiàn)卻顯著優(yōu)于多個(gè)現(xiàn)有先進(jìn)模型，包括預(yù)訓(xùn)練的大規(guī)模Transformer模型。
表1 在TUEV數(shù)據(jù)集上SemSTNet 與baseline相比
表2 在MASS數(shù)據(jù)集上SemSTNet 與baseline相比
該方法通過解耦EEG的特性，提出一種輕量且穩(wěn)健的結(jié)構(gòu)，我們的方法在多種EEG識別任務(wù)上具有良好的表現(xiàn)。這項(xiàng)研究不僅為腦電信號分析提供了一種新的輕量級解決方案，也展示了語義知識與專業(yè)結(jié)構(gòu)設(shè)計(jì)結(jié)合在醫(yī)療人工智能中的廣闊前景。
