视觉诱发电位(VEP)指由于外部视觉刺激而在视觉通路上产生的可以在头皮上测量到的电活动。视觉诱发电位在神经生理学和临床疾病诊断等方面有极其重要的价值。但由于视觉诱发电位非常微弱，被淹没在强背景噪声自发脑电信号(EEG)中。目前临床上VEP的检测均采用相干平均法，通过增加重复刺激次数来提高信噪比。但是平均方法忽略了每次试验之间VEP的变异，而且反复刺激会引起神经系统疲劳，危重病人难以承受，也将直接影响到诱发响应的波形，因此对vEP进行单次或少次提取并跟踪每次试验中VEP的变化成为人们关注的研究目标。 本文探讨了基于自适应模糊推理系统ANFIS(Adaptive—network_basedfuzzy i nferer"ice system)的自适应噪声消除方法在提取视觉诱发响应(VEP)信号中的应用，并结合临床实验提出了一种新的单次提取方法。经与目前临床通用的相干平均法比较，在波形整体和P100潜伏期的提取上，效果显著。 自适应模糊推理系统ANFIS是功能上等价于模糊推理系统的自适应神经网络。这种自适应神经网络是由有向链接连接的若干节点组成的网络结构。每个节点表示一个处理单元。所有的或部分的节点是自适应的，即这些节点的参数是可调的。对自适应网络的节点函数，除了分段可微的要求外，几乎没有任何约束。ANFIS可直接应用于建模、决策、信号处理和控制领域。 1975年，Widrow和G10vr首先提出了自适应噪声消除：目标是通过辨识可测噪声源与相应的不可测干涉之间的线性模型来滤除干涉成分。用线性滤波器的自适应噪声消除已成功地用于实际，如心电图(ECG)中的干涉消除，长距离电话传输线的回声消除以及无线旁瓣的噪声消除。本文用ANFIS辨识可测噪声源与响应的不可测干涉之间的未知非线性模型，将线性自适应噪声消除的概念扩展到非线性领域。ANFIS可以对非线性函数建模，可动态跟踪VEP在每次试验中的变化。由于节点参数是线性的，用梯度下降和最小二乘的混合学习算法来调节参数，减少了运算量，加快了收敛速度。 本文探讨了ANfS在提取视觉诱发响应(VEP)信号中的应用，并结合临床实验提出了一种新的单次提取方法。经与目前临床通用的相干平均法比较，在波形整体和P100潜伏期的提取上，效果显著。