飞行员疲劳是现代航空运营中的一个重要问题。有关数据表明,高达11%-15%的航空事故是由飞行员疲劳飞行造成的,因此,有效监测飞行员的疲劳状态是保障航空安全的重要措施之一。到目前为止,仍然没有成熟的技术应用于航空疲劳识别中,这也是我国发展大飞机事业道路上必须要攻克的难题之一。大量研究显示,脑电不同节律会随着人体疲劳状态增加呈现递增或递减的趋势。如何提取代表疲劳状态的有效特征,发展这些特征的潜在变量属性是脑电研究中的重要问题。传统的方法主要聚焦于特定通道脑电节律的时域或频域简单分析,使用浅层网络对这些时频域特征进行处理。本文针对脑电疲劳状态指标难以界定的难题,发展了一种基于功率谱面积耦合脑电波节律的脑疲劳评价指标;针对浅层网络在脑电特征提取中的不足,建立了一种基于深度收缩稀疏自编码网络的特征学习和疲劳状态识别模型;针对传统脑地形图在疲劳评价中的缺陷,提出了一种基于脑疲劳指标的新型脑图谱评价方法,建立了一种符合脑动力学的基于脑图谱序列的疲劳状态识别模型。首先,设计模拟飞行实验并结合疲劳量表采集不同疲劳状态下的飞行员脑电信号数据,实现对δ,θ,α,和β四个节律提取。计算各节律波的功率谱密度和其曲线的面积,耦合节律波的能量形成3个主要疲劳状态评价指标:(+)/,(+)/(+)和/。针对深度自编码器易出现特征冗余,隐含层单元易因输入抖动产生偏移的不足,在目标函数中增加结构化稀疏和雅克比约束项,形成一种新型的自编码网络目标函数。稀疏化约束能抑制大部分神经元的活动,增强网络发现特征的能力;雅克比约束能够减少隐含层单元因输入抖动产生的偏移,强化对特征的表示,从而提高模型的稳定性和特征提取的有效性。传统脑工作负荷检测是分析单通道或几通道脑电特征,对整体信息利用率不足,脑地形图虽可以反映全局特征,但也无法直接用于疲劳状态识别中。因此,提出了一种新的基于3个疲劳指标产生脑功率图谱序列的算法,通过对每个通道的节律功率谱曲线面积结合疲劳指标的投影与插值计算,获得脑图谱序列。耦合卷积神经网络与长短时记忆网络,解决脑疲劳图谱序列的统一建模、优化与学习问题。通过十折交叉验证法完成模型的训练与疲劳状态的识别,所提出的深度收缩稀疏自编码网络能显著提升模型稳定性和识别准确率,基于脑功率图谱的模型能提取到更多有效的疲劳特征,获得更好的疲劳状态识别结果。本课题通过脑电功率图谱对疲劳状态识别的研究,为试航认证提供一定技术支撑。