计算机科学与探索

作者：于林表, 卞则康, 瞿佳, 张进, 王士同

单位：1. 江南大学 人工智能与计算机学院，江苏 无锡 2141222. 常州大学 计算机与人工智能学院，江苏 常州 2131643. 苏州市职业大学 计算机工程学院，江苏 苏州 215104

关键词：混合TSK模糊分类器,癫痫脑电图（EEG）信号检测,对抗训练方法,基于特征重要性的可解释性,语义可解释性

基金：国家自然科学基金（62306126）；中央高校基本科研业务费专项资金（JUSRP123036）；江苏省自然科学基金（BK20220621）；江苏省青年科技人才托举工程项目（JSTJ2024283）；无锡市科技发展基金（K20231006）。

近年来，基于栈式集成结构的深度TSK（Takagi-Sugeno-Kang）模糊分类器已成为TSK模糊分类器研究热点之一，与传统单一的TSK模糊分类器相比，深度TSK模糊分类器不仅具有增强的泛化能力，而且具有较好的可解释性。然而，当深度TSK模糊分类器应用于癫痫脑电图（EEG）信号检测时，需要解决如下两个挑战：（1）如何改进现有的深度结构，在保证癫痫EEG信号检测精度的基础上，加快模型的构建速度并同时提高模型的可解释性（更少的规则数和提供两种类型的可解释性）；（2）如何利用人类认知行为，进一步提升深度TSK模糊分类器的泛化能力。为了解决上述两个挑战，提出面向癫痫EEG信号检测的对抗混合TSK模糊分类器（AH-TSK）。针对挑战（1），在现有深度栈式集成结构的基础上，引入宽度集成结构，从而提出一种新型的基于深度和宽度的混合集成结构，集成单个线性子模型（SRLc）和多个非线性子模型（A-TSK）；针对挑战（2），基于“从全局粗略到局部精细化”和“知识遗弃”这两种认知行为，提出了一种新的对抗训练方法。该方法先在EEG数据集的所有原始样本上训练线性模型（SRLc），以分类非线性分布的样本；在得到的非线性部分上，引入“知识遗弃”的对抗策略，并行训练多个A-TSK；通过使用最近标签策略，对SRLc和所有A-TSK的输出进行集成得到最终输出。实验结果表明，与对比方法相比，AH-TSK具有增强的泛化能力、较快的运行速度以及较好的可解释性，此外能够提供更多类型的可解释性（语义和基于特征重要性的可解释性）。

来源：2025年第12期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第12期