暨南大学融媒体中心讯 近日，暨南大学伯明翰大学联合学院本科生黄梓轩在人工智能领域著名期刊《Engineering Applications of Artificial Intelligence》（影响因子：8.0）上发表了一篇名为“GFBLS: Graph-regularized fuzzy broad learning system for detection of interictal epileptic discharges”的研究论文。

宽度学习系统（BLS）以其训练速度快、准确率高和增量学习等优势，成为了深度学习方法的有效替代方案，并已在人工智能领域的众多场景中得到广泛应用。然而，经典BLS往往会忽略数据内在几何结构以及数据的局部一致性，这将会影响BLS的判别能力。为解决该问题，本文通过在图上建立节点之间的连接和边权重，利用图正则化技术帮助模型捕捉数据中的局部关系，并使模型获得识别和利用邻近节点之间的相似性和相关性的能力。

鉴于受到数据局部不变性的启发，本文首次提出了基于图正则化的模糊宽度学习系统（GFBLS），并将其首次应用于医学癫痫异常放电的自动检测。由于使用传统方法进行脑电特征提取往往会忽略了脑电信号的上下文信息，每个样本之间的相关性和动态变化也容易被忽视，为此，文中所提方法共分为两个部分：特征提取和判别模块。其中，特征提取模块可根据时序脑电构建线性无向图，进而考虑了上下文样本相关性和动态变化，然后通过图卷积神经网络提取特征，再将这些特征应用于GFBLS进行癫痫异常放电检测。对于判别模块，癫痫样放电的多变性和不确定性容易使得模型的判别能力下降。为缓解多样性带来的性能下降，本文将流形学习引入到模型中，约束了相同类别样本的概率输出。另外，模糊系统的引入也提供了一种适应不确定性的有效框架。最终，本文所提的改进方法获得了模型判别及泛化能力的提升。同过往方法相比，本文所提出方法可实现更优越的检测性能。该成果表明，本文所提出的基于图正则化的模糊宽度学习系统在人工智能与医学等多学科交叉领域具有广阔的应用前景。

该篇论文第一作者为2020级本科生黄梓轩，通讯作者为暨南大学信息科学技术学院段俊伟副教授。该研究成果得到了广东省基础与应用基础研究基金自然科学基金项目面上项目、国家重点研发计划“主动健康和老龄化科技应对”重点专项项目以及广东省中医药信息化重点实验室等项目的大力支持。

原文链接：
https://www.sciencedirect.com/science/article/pii/S0952197623009478

来源：暨南大学新闻网

人民号编辑：赖子瑶