91一级特黄大片|婷婷中文字幕在线|av成人无码国产|日韩无码一二三区|久久不射强奸视频|九九九久久久精品|国产免费浮力限制

        近日，團隊2023級研究生陳泉霖在李景聰副教授的悉心指導下，研究成果“SemSTNet: Medical EEG Semantic Metric Learning with Class Prototypes Generated by Pretrained Language Model”被生物醫(yī)學工程與腦機接口領域的國際權威旗艦期刊《IEEE Transactions on Biomedical Engineering》（華南師范大學一類層次期刊）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。 

1. 研究背景

        對EEG進行識別有助于診斷疾病等任務，隨著深度學習的普及，大量深度學習的方法被應用在EEG識別上。然而，大多數(shù)方法依賴復雜的結構，沒有很好地適應EEG的結構。我們提出了一個通過結合語義度量和輕量級卷積架構SemSTNet，其在腦電圖分類任務中實現(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中具有重要價值。近年來，隨著深度學習技術的發(fā)展，越來越多的深度學習方法被應用于EEG識別。然而，現(xiàn)有方法大多依賴于“大而重”的復雜網(wǎng)絡結構，難以貼合腦電信號的時-頻-空多維特性。為此，我們提出了一種提出語義度量驅動的輕量卷積框架 SemSTNet，在保持模型性能的同時，大量壓縮參數(shù)量與推理時間，實現(xiàn)了腦電分類任務中高性能與高效率的平衡。

2. 方法和結果

        (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習范式，利用預訓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系，增強同類樣本的緊湊性。這些原型在訓練前離線生成，無需在部署時調用語言模型，極大降低了計算開銷。

圖1 語義度量架構

        (2) 輕量級卷積架構

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，分別處理腦電信號的時空特征，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上的表現(xiàn)卻顯著優(yōu)于多個現(xiàn)有先進模型，包括預訓練的大規(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

3. 結論

        該方法通過解耦EEG的特性，提出一種輕量且穩(wěn)健的結構，我們的方法在多種EEG識別任務上具有良好的表現(xiàn)。這項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)結構設計結合在醫(yī)療人工智能中的廣闊前景。