睡眠惰性（Sleep Inertia,SI）是一种从睡眠到清醒的过度状态,其特征是警觉性降低、嗜睡、认知能力下降,对醒来后立即开展工作的人存在不利影响,尤其在那些操作失误可能引发重大事故的危险作业场景,比如消防、急救、长途驾驶、长途飞行、高空作业等。研究有效的睡眠惰性检测技术,对保障劳动者的工作安全有着重要意义。现有研究指出,脑电（Electroencephalogram,EEG）中存在可以反映睡眠惰性状态的信息,为了将这些发现推广到实际应用中,开发针对睡眠惰性检测的便携式脑电采集设备是很有必要的。据文献调研,醒来后睡眠惰性的严重程度主要取决于醒来时的睡眠阶段,从深睡眠被唤醒会引发更严重的睡眠惰性。如果能有效检测睡眠深度,并避免睡眠者从深睡眠被唤醒,将减少睡眠惰性对整体心理恢复的影响。本文围绕睡眠惰性的检测和深睡眠识别,通过结合生物信号采集技术、信号处理技术与机器学习方法,展开以下两方面的研究:（1）基于脑电的睡眠惰性检测。设计了一套基于脑电的睡眠惰性检测系统。包括脑电采集设备和针对Fpz和Oz采集点的脑电分析方法。硬件方面。针对脑电幅值微弱、频率较低、易受干扰等特性,设计了脑电采集前端电路、滤波电路、模数转换器电路、电源电路以及蓝牙主控模块。针对数据采集中电极接触不良导致的脑电失真问题,设计了阻抗检测模块,方便使用者调整合适的电极阻抗。软件方面,通过小波变换结合完全自适应噪声集合经验模态分解的单通道眼电伪迹消除算法,完成了对睁眼状态脑电中眼电伪迹的有效消除。为了验证系统的实用性,研究开展了睡眠惰性诱发实验,采集了17名被试在睡眠惰性状态和清醒状态的脑电数据,提取了Fpz通道的delta频段能量和beta频段能量,以及Oz通道的delta频段能量和beta频段能量,通过线性判别分析（Linear Discriminant Analysis,LDA）对数据进行分类,准确率74.17%。（2）基于心冲击图（Ballistocardiogram,BCG）的深睡眠识别。针对目前市面上缺乏微扰甚至无扰式睡眠监测设备的现状,从众多能够反应人体睡眠阶段的生理信号中,选用了检测过程无需佩戴电极,且不会对睡眠者造成干扰的心冲击信号进行深睡眠识别。硬件方面,设计了心冲击信号采集前端电路、滤波电路、模数转换器电路等模块,整体采用低功耗设计,使设备能够长时间工作。软件方面,设计了自适应滤波器,并提取了原始心冲击信号中的心跳成分和呼吸成分,通过模板匹配法识别心冲击信号J波,并通过多重滑动窗寻峰算法提取呼吸信号的波峰和波谷。为了验证硬件设备和信号处理算法的可靠性,同时记录了5名被试平躺状态的心电信号和心冲击信号,分别提取部分心率变异性（Heart Rate Variability,HRV）特征进行相关性分析,验证了心冲击信号替代心电信号进行心率变异性分析的可靠性。并将呼吸次数计算值与人工计数值进行对比,验证了呼吸测量的准确性。之后使用UCDDB数据集中的7位被试数据建立7个单一被试模型,提取了五项心率变异性特征和两项呼吸信号特征,采用支持向量机（Support Vector Machine,SVM）完成深睡眠与非深睡眠的分类,平均准确率达到92.79%。综上所述,本文开发了一套针对睡眠惰性的智能系统。既能检测睡眠惰性,又可以检测深睡眠。通过对心冲击信号的采集和分析,能够对睡眠者进行深睡眠识别。对于醒来后需要立即执行任务的工作者,可以将醒来前的睡眠阶段,作为后续睡眠惰性评估和干预的指导信息。对于工作时间相对可控的工作者,可以避免闹钟在容易引发严重睡眠惰性的深睡眠阶段将其唤醒。在工作者醒来后回到工作岗位前,可以通过脑电的采集和分析,进行睡眠惰性检测,以避免处于严重睡眠惰性状态下开展工作。