疲劳状态能够反映人的生理心理变化过程,疲劳会导致人体机能下降,诱发疾病甚至引发安全事故。人在说话时,不仅可以传递语言文字信息,还可以传递人的精神状态信息。若通过说话便可以对人的疲劳状态进行实时监控,则可有效降低事故风险。为此,本文实际录制了不同疲劳状态下的语音数据来探究疲劳状态与语音信号之间的关联,提取语音特征参数,进行数据统计分析,并将各特征参数互相融合后,采用高斯混合模型分类器寻找最佳的检测效果。本文的具体工作内容如下:（1）疲劳语料库的数据采集。目前由于国内外没有公认的标准疲劳语料库,本文实际录制了不同疲劳度的语音数据库,包含15个测试者,每个测试者分别在四种不同的疲劳状态下进行语音录制,分别对应为精神（睡眠充足）,一般精神（强制12小时无睡眠）,轻度疲劳（强制24小时无睡眠）,重度疲劳（强制36小时无睡眠）四种状态。（2）语音特征参数提取与分析。首先通过对语音数据进行预处理,包括分帧、加窗、端点检测,选取强度、基音频率、共振峰、滑动差分倒谱特征与梅尔频率倒谱系数五个特征,给出了各特征参数的算法实现原理,然后进行特征参数提取,从提取的数据中进行统计特性分析,寻找疲劳状态与各特征参数之间的变化规律。（3）采用高斯混合模型作为分类器对语音疲劳度进行检测分类研究。首先介绍高斯混合模型的算法原理,包括K-均值（K-means）聚类和期望最大（Expectation Maximization,EM）算法,其次将各特征参数单独送入分类器中进行检测,分别考察各特征的疲劳度检测性能,进一步将各特征参数互相融合,考察了各类特征相互融合后的检测性能。实验结果表明,对于单特征疲劳度检测,梅尔频率倒谱系数检测性能最好,对于融合特征检测,检测性能均高于单特征,将四个特征全部融合后,检测正确率可达91%。（4）为与医学人员沟通交流,方便其提取特征参数,本文利用Labview软件设计了一款特征参数提取系统。该系统分为单条语音特征提取与多条语音特征提取两个界面,可提取文中涉及到的七个语音特征参数。导入所选语音路径,输入参数值,运行即可显示特征参数相应的波形,并将特征参数数据以Excel形式自动保存至相应的语音文件下方便数据分析。系统界面友好清晰,操作简单快捷。