疲劳是一种由于人长时间的工作而导致其精神生理上产生变化的现象,研究人的疲劳状态估计模型对于改善劳动者工作环境以及减小社会经济损失具有重大意义。传统的基于信息融合的方法具有估计模型复杂,计算量大,实时性差的缺点,因此本文利用支持向量机融合人在工作过程中的眼动信号与脑电波信号,提出人体疲劳状态估计模型。该方法充分利用了两种特征之间的相关性与互补性,具有计算速度快,准确度高,鲁棒性强的优点。本文的研究内容如下：1.使用机器视觉的方法处理视频数据,首先利用haar-like特征作为级联分类器的特征进行训练,得到人脸分类器,在此基础上,使用监督梯度下降法对人脸特征点进行检测,得到包含人眼的特征点。其次,提取人眼特征点中所包含的人眼面积信息,得到人在工作过程中的眼动信号。2.设计实验,利用脑电波传感器采集不同被试在不同状态下的脑电波数据,针对其中的眼电伪迹,利用小波分解去噪的方法对其进行去噪处理。由于不同频段的脑电波代表不同的含义,因此利用功率谱估计的方法对去噪后的脑电波信号进行功率谱估计,得到其频域信息。3.提取眼动信号中PERCLOS的P80指标值,分析其与疲劳状态之间的相关性,并证明其可以作为信息融合算法的输入。通过观察不同被试工作与瞌睡状态下脑电波能量的变化,提出使用功率谱能量比值的指标来估计人体的疲劳程度,在此基础上利用采集数据的疲劳标签验证该指标,并将其作为信息融合算法的输入。4.将眼动与脑电波信号疲劳指标数据归一化并以一分钟为段长分段,使用支持向量机对其进行融合,选择径向基函数作为核函数,利用网格参数寻优法与交叉验证法进行参数优化。在使用单一时间段数据训练分类器准确度不高的情况下,提出使用基于时间相关性的方法进行分类器的训练,最终得出信息融合后的疲劳状态估计模型,并利用测试数据对该模型进行测试,取得了良好的实验效果。