脑电信号(electroencephalo-gram,EEG)是脑部神经元活动产生的电信号,是进行大脑功能研究和脑部疾病诊断的重要手段,可以通过相应的设备采集得到。脑电信号能实时反映大脑的活动状态,人脑的疲劳程度也不例外。通过脑电信号分析和监测人脑的疲劳程度是信号分析与生物医学领域的有机结合,涉及许多新兴研究方法,是一个颇具挑战的课题。疲劳不会直接危害人体的生命安全,但是长期的疲劳也会损伤人体健康。在作业中因疲劳而引起的误操作极易引发安全事故。疲劳已经成为生产生活中威胁人体生命安全的一个重要问题,急需一种能够随时监测人体疲劳程度的方法和手段来保障人的生命安全。因此如何快速准确的对人体疲劳状态进行监测评估具有重要意义。用脑电信号监测评估人脑疲劳涉及脑电信号处理多个层面,论文在以下方面展开研究工作。在脑电信号消噪处理方面:传统的小波软阈值函数消噪后会丢失部分细节特征,小波硬阈值函数消噪后会产生伪吉布斯(Gibbs)效应,近年来提出的一些新阈值函数只对特定信号有较好的消噪效果,尚不能做到自适应。针对这些问题,本文提出了一种基于小波自适应系数非线性连续衰减的脑电信号去噪方法。首先选取合适的小波基函数对源信号分解,得到各层的小波系数后运用非线性连续衰减函数对小波系数进行处理,最后对处理后的小波系数进行重构。本文构筑的小波系数非线性连续衰减函数可以在系统中实现消噪效果的自适应,能根据消噪的信噪比和均方根误差自适应调节函数系数,以达到最好的消噪效果。实验结果表明,该非线性连续衰减函数能有效避免传统小波去噪过程中由于阈值函数人为设定缺陷导致的细节丢失和伪吉布斯问题,并且去噪之后的信噪比和均方差均优于传统的小波消噪方法。脑电信号的特征提取方面,针对传统小波变换特征提取过程中存在频率重叠的问题,本文采用平稳小波包变换和Hilbert-Huang变换来改进特征提取过程。通过对采样信号的分析,利用平稳小波包变换提取脑电信号的高频、低频子带,提取的子带信号进行经验模态分解,将非平稳的脑电信号转化为线性稳态,以便使用Hilbert谱分析的方法计算子带信号的瞬时频率和瞬时幅值。利用提取到的瞬时频率和瞬时幅值组合成特征向量进行分类。基于脑电信号的疲劳状态识别分类上,本文将粒子群优化算法和最小二乘支持向量机相结合。最小二乘支持向量机相较于支持向量机计算较快,适合大量的数据处理,提升数据处理速度。核函数中的惩罚因子C和核参数g的选取利用粒子群算法,相较于遗传算法等其他智能搜索算法有较快的收敛速度,方便分类器训练过程中参数的快速优化。本文选取了24小时疲劳实验中0小时、8小时、16小时和24小时四个实验时刻段的脑电信号数据,将Hilbert-Huang变换提取到的信号瞬时频率和瞬时能量合并作为特征向量,输入到基于粒子群优化的最小二乘支持向量机分类器,数据分析准确率达到85.83%。相比普通的支持向量机分类算法,采用粒子群优化最小二乘支持向量机的分类器准确性有较大提升。本文运用研究成果设计和实现了在线实时监测脑疲劳状态的分析软件。该软件是基于Net Framework 4.5平台使用Visual C#开发的可视化界面程序,可以实时获取脑电信号进行在线分析,并且信号窗长度可调,可按实验要求截取所需的信号长度,实现了数据接口函数供第三方软件或者其他研究人员再次进行开发和验证。在线疲劳监测分级软件的输出结果证明,疲劳分析的监测识别准确程度和离线数据分析的结果十分接近。