近日，团队2023级研究生陈泉霖在李景聪副教授的悉心指导下，研究成果“SemSTNet: Medical EEG Semantic Metric Learning with Class Prototypes Generated by Pretrained Language Model”被生物医学工程与脑机接口领域的国际权威旗舰期刊《IEEE Transactions on Biomedical Engineering》（华南师范大学一类层次期刊）成功录用。该论文自2025年4月提交，于2025年10月10日被正式接收。 

1. 研究背景

        对EEG进行识别有助于诊断疾病等任务，随着深度学习的普及，大量深度学习的方法被应用在EEG识别上。然而，大多数方法依赖复杂的结构，没有很好地适应EEG的结构。我们提出了一个通过结合语义度量和轻量级卷积架构SemSTNet，其在脑电图分类任务中实现了高性能与高效率的完美平衡。

        脑电信号识别在疾病诊断等任务中具有重要价值。近年来，随着深度学习技术的发展，越来越多的深度学习方法被应用于EEG识别。然而，现有方法大多依赖于“大而重”的复杂网络结构，难以贴合脑电信号的时-频-空多维特性。为此，我们提出了一种提出语义度量驱动的轻量卷积框架 SemSTNet，在保持模型性能的同时，大量压缩参数量与推理时间，实现了脑电分类任务中高性能与高效率的平衡。

2. 方法和结果

        (1) 语义度量框架

        SemSTNet的核心创新在于引入了一种语义度量学习范式，利用预训练语言模型生成类别原型，从而更好地捕捉不同脑电类别之间的语义关系，增强同类样本的紧凑性。这些原型在训练前离线生成，无需在部署时调用语言模型，极大降低了计算开销。

图1 语义度量架构

        (2) 轻量级卷积架构

图2 轻量级多尺度门控模块和空间模块

        此外，SemSTNet采用轻量级卷积架构，分别处理脑电信号的时空特征，模型参数量仅为23K，比主流基于Transformer的模型减少超过100倍。尽管模型较小，其在癫痫事件分类和睡眠分期等任务上的表现却显著优于多个现有先进模型，包括预训练的大规模Transformer模型。

表1 在TUEV数据集上SemSTNet 与baseline相比

表2 在MASS数据集上SemSTNet 与baseline相比

3. 结论

        该方法通过解耦EEG的特性，提出一种轻量且稳健的结构，我们的方法在多种EEG识别任务上具有良好的表现。这项研究不仅为脑电信号分析提供了一种新的轻量级解决方案，也展示了语义知识与专业结构设计结合在医疗人工智能中的广阔前景。