在文本中检测生物医学事件在构建自然语言处理应用程序(例如医学搜索,疾病预防和药物警戒)中起着至关重要的作用。 由于事件触发器可以表示事件的发生,因此生物医学事件触发器的检测是生物医学事件提取中的关键步骤。 当前的方法通常提取丰富的功能,然后将这些功能提供给分类器。 为了增强特征的自动选择和分类,本文提出了一种端到端的卷积高速公路神经网络和极限学习机(CHNN-ELM)框架来检测生物医学事件触发因素。 这个结构有两个阶段。 在第一阶段,CHNN用于基于四个不同维度(嵌入,卷积层,池化层和高速公路层)有效地选择更高级别的语义特征。 在第二阶段,所提出的模型利用具有出色的可扩展性和泛化性能的ELM来识别各种类型的生物医学事件触发因素。 在多级事件提取(MLEE)数据集上进行了广泛的实验。 据我们所知,本文是第一篇将ELM引入此任务的文章。 结果表明,通过更好的特征选择和分类,我们的方法优于几种当前的最新方法。