身体疲劳作为一种身体重要的生理指标,引起了越来越多的关注,在过去的几十年中,人们已经广泛的研究了身体疲劳对人体健康和特定疾病的影响。由于不同的人对身体疲劳的反应不同,身体疲劳检测对身体健康领域越来越重要。本文重点研究基于深度学习的非侵入式身体疲劳检测,希望做到非侵入、无创、智能化、高精度的身体疲劳检测。通过对面部区域ROI(Region Of Interest)的特征提取结果分析以确定最优的ROI,然后通过高光谱成像技术来提取面部ROI的肌肉运动信号特征,并根据得到面部肌肉运动信号特征的序列变化在搭建的长短时记忆网络LSTM(Long Short Term Memory)网络模型进行训练,使用该模型对人体的身体疲劳状态和基线状态进行识别分类。并与传统的分类算法在身体疲劳检测上的结果进行对比作为参照。在这项工作中本文的主要贡献如下:(1)通过招募参与实验的受试者以获得用于身体疲劳检测的视频类高光谱数据集。(2)提出面部肌肉活动检测FMAD(Facial Muscle Active Detection)算法,运用高光谱成像技术从数据集中的受试者人脸中提取实时肌肉疲劳信号特征。(3)通过大量实验来分析ROI对疲劳信号特征的敏感度,选择对疲劳特征信号具有最大敏感度的ROI,为建立身体疲劳检测模型准备。(4)通过ROI中的肌肉轨迹运动变化提取分类特征。并将这些特征映射到频域空间中来得到身体的疲劳特征。(5)提出基于LSTM的身体疲劳检测算法,先利用TensorFlow搭建一个LSTM网络模型,随后使用前面得到的身体疲劳特征序列将来训练这个模型,直到模型收敛,并通过测试集进行分类测试得到了很好的效果。最终实现基于LSTM的非接触式的身体疲劳检测识别,并且无需参与者的背景数据或基线状态信息。最后提出的基于LSTM身体疲劳检测算法在实验中取得了较好的效果,准确率达到75%,为未来的工业化奠定了基础。实验结果表明,多光谱成像作为一种非侵入性方法,具有识别身体疲劳的潜力。