43、基于自适应模糊推理神经网络的脑电信号分类系统

基于自适应模糊推理神经网络的脑电信号分类系统

1. 引言

人脑是一个复杂的系统，具有丰富的时空动态特性。脑电图（EEG）作为探测人脑动态的非侵入性技术之一，能直接测量皮层活动，且具有毫秒级的时间分辨率。早期，EEG分析主要依赖对EEG记录的肉眼观察，但由于缺乏明确的评估标准，这种方法存在不足。例如，当存在主导的α活动时，δ和θ活动可能被忽视。因此，临床诊断中需要借助自动化和计算机技术来分析EEG信号。

在自动EEG处理的早期，基于傅里叶变换的方法应用最为广泛。EEG频谱主要包含四个频段：δ（1 - 4 Hz）、θ（4 - 8 Hz）、α（8 - 13 Hz）和β（13 - 30 Hz）。然而，快速傅里叶变换（FFT）对噪声较为敏感。而自回归（AR）等参数功率谱估计方法能减少频谱损失问题，提供更好的频率分辨率，且所需的数据记录时长比FFT更短。

20世纪80年代末提出的小波变换（WT）是一种强大的信号时频分析方法，它为不同应用中的各种技术提供了统一的框架。WT适用于分析非平稳信号，在定位癫痫发作期间可能出现的瞬态事件方面具有优势。通过小波分解EEG记录，可以准确捕捉和定位瞬态特征。

此外，信号分析理论中的许多其他技术也被用于获取EEG信号的表示和提取特征，如神经网络和统计模式识别方法。模糊集理论在医疗决策中处理不确定性方面发挥着重要作用，神经模糊系统结合了模糊逻辑和神经网络的优势。自适应神经模糊推理系统（ANFIS）在建模非线性函数方面取得了显著成果，并且在EEG分析中也有成功的应用案例。

本文提出了一种自适应模糊推理神经网络系统（AFINN），用于EEG信号分类。该系统由与局部线性系统相关联的高斯隶属函数组成，基于改进的Sugeno型模糊逻