The task of named entity recognition has been widely used in medical text analysis, but there is still the problem of poor transfer ability in practical applications. This work proposes a novel named entity recognition method based on a proposed knowledge distillation framework and Efficient GlobalPointer for Chinese biomedical and clinical data. Specifically, our study leverages the Efficienct GlobalPointer to address the issue of entity nesting and introduces a context shield window to mitigate interference from redundant information. Furthermore, the model's generalization ability is enhanced through a novel knowledge distillation framework. The proposed knowledge distillation framework solves the problem of independent feature learning process in feature distillation by using linkage mechanism. The recognition accuracy is improved by the proposed knowledge distillation method while keeping the model complexity low, so that our method can meet the inference speed requirement in real applications while ensuring a certain recognition accuracy. Our method achieves excellent experimental results on three publicly available Chinese datasets, where the comprehensive evaluation metric F1 exceeds the best results achieved by existing methods.

Ischemic stroke is a type of brain dysfunction caused by pathological changes in the blood vessels of the brain which leads to brain tissue ischemia and hypoxia and ultimately results in cell necrosis. Without timely and effective treatment in the early time window, ischemic stroke can lead to long-term disability and even death. Therefore, rapid detection is crucial in patients with ischemic stroke. In this study, we developed a deep learning model based on fusion features extracted from electroencephalography (EEG) signals for the fast detection of ischemic stroke. Specifically, we recruited 20 ischemic stroke patients who underwent EEG examination during the acute phase of stroke and collected EEG signals from 19 adults with no history of stroke as a control group. Afterwards, we constructed correlation-weighted Phase Lag Index (cwPLI), a novel feature, to explore the synchronization information and functional connectivity between EEG channels. Moreover, the spatio-temporal information from functional connectivity and the nonlinear information from complexity were fused by combining the cwPLI matrix and Sample Entropy (SaEn) together to further improve the discriminative ability of the model. Finally, the novel MSE-VGG network was employed as a classifier to distinguish ischemic stroke from non-ischemic stroke data. Five-fold cross-validation experiments demonstrated that the proposed model possesses excellent performance, with accuracy, sensitivity, and specificity reaching 90.17%, 89.86%, and 90.44%, respectively. Experiments on time consumption verified that the proposed method is superior to other state-of-the-art examinations. This study contributes to the advancement of the rapid detection of ischemic stroke, shedding light on the untapped potential of EEG and demonstrating the efficacy of deep learning in ischemic stroke identification.

Epilepsy is an irregular and recurrent cerebral dysfunction that significantly impacts the affected individual's social functionality and quality of life. This study aims to integrate cognitive dynamic attributes of the brain into seizure prediction, evaluating the effectiveness of various characterization perspectives for seizure prediction, while delving into the impact of varying fragment lengths on the performance of each characterization. We adopted microstate analysis to extract the dynamic properties of cognitive states, calculated the EEG-based and microstate-based features to characterize nonlinear attributes, and assessed the power values across different frequency bands to represent the spectral information of the EEG. Based on the aforementioned characteristics, the predictor achieved a sensitivity of 93.82% on the private FH-ZJU seizure dataset and 93.22% on the Siena Scalp EEG dataset. The study outperforms state-of-the-art works in terms of sensitivity metrics in seizure prediction, indicating that it is crucial to incorporate cognitive dynamic attributes of the brain in seizure prediction.