摘要
随着现代社会技术的进步和生活方式的巨大变革，人们在享受工作生活效率全面提高的同时，变得越来越大的工作压力，很容易突破一个人承受的极限，进而导致身心疲惫；疲劳状态下的人工作学习效率下降，一个人长时间处于疲劳状态甚至可能造成更大的危险。实时、精确地检测人的疲劳状态，提醒人们适当地停止工作进行休息，不仅是为了更好的完成接下来的工作，也是为社会、为其他人负责，这是当前科学领域的重要研究课题。脑电信号蕴藏着大量人体有关信息，是当前人体疲劳状态检测的重要途径。本文通过实验设计基于单通道脑电信号采集设备，进行相关脑电信号采集，进行滤波处理之后提取特征值并进行分级评价，实现方便快速判定人体疲劳状态的目的，具体工作如下： 首先，基于C++语言编写采集实验的上位机，配合专用设备进行相关脑电信号的采集工作。在信号处理时，本文针对单通道脑电信号噪音多，伪迹去除困难的现状，采用了独立分量分析和变分模态分解两种算法相结合的综合算法，将工作着重于脑电信号中眼电伪迹的去除算法。该综合算法经过实际测试以及结果比对，可以免于信号出现经验模态分解可能出现的频带混叠现象，伪迹去除效果优秀。 然后，根据脑电信号复杂度高，疲劳清醒两种状态下复杂度有所波动的特点，我们选取了模糊熵作为手段，来进行脑电信号特征提取。熵值的大小通常与信号或者系统中包含的信息量大小成正比。根据资料，正常人类在清醒状态下的生理信号更为丰富，脑电信号熵值可能会更大，而在疲劳状态时相对简单，推论熵值可能会更小，因此本文选用熵值来测量脑电信号信号复杂度，进而进行疲劳状态的判断。 最后，为了得到客观、量化的疲劳状态分级评定，本文决定使用支持向量机作为本文使用的分类器，对提取出来的脑电信号特征指标进行分类识别。在脑电信号进行特征提取后，将提取到的被试志愿者脑电信号模糊熵的值作为特征向量，通过支持向量机对被试志愿者疲劳状态的四个等级进行分类识别，将实验数据样本分为两组：测试集和训练集，综合被试志愿者疲劳状态主观评价统计分析，进行比对，得到了令人满意的测试结果，验证了基于支持向量机的脑电信号疲劳分级实验的可行性。
NETL