精神疲劳定义为在持续体力活动或单位时间内工作过度情况下产生的一种主观不适感受。精神疲劳会导致人们的生理和心理机能下降,其严重影响着人们的注意力、知觉、思维、判断、意志、决策和运动。在实际的生产生活学习中,疲劳会产生诸多不利影响。例如驾驶过程中的疲劳容易造成交通事故、学习过程中的疲劳会导致学习效率降低等。因此寻找一种能准确、高效、便捷地判定疲劳的方法显得尤为重要。本文提出了一种基于眼电、心电和眼动信号的疲劳判定方法,基于该方法本文设计了专用的采集电路和特征提取算法,并进行了性能测试。原始的眼电、心电和眼动信号并不能直接地表征疲劳状态,本文通过测得的心电信号计算心率变异性(Heart Rate Variability,HRV),通过前额叶提取到的单导联眼电信号计算得到眨眼频次,通过摄像头和OpenCV图像处理库检测得到眼睑的闭合程度。心率变异性、眨眼频次、眼睑闭合程度都能很好地表征被试者的精神疲劳程度,本文针对三项特征分别计算得到三个疲劳状态参数,然后采用基于粗糙集理论的决策层多模融合得到最终的疲劳状态指标。在本文的设计中,首先对三种信号的采集原理做了详细阐述,分别设计了生理信号的采集电路:本文为眼电和心电信号设计了专用的微弱信号采集器。其中在采集器的模拟采样前端设计中进行了严格的噪声计算和控制,并设计了与采集器配套使用的电源和主控单元。为了进一步保证数据的准确性,在底层软件中设计编写了去除基线和工频的去噪算法程序。随后将处理得到的干净眼电和心电信号通过蓝牙实时地传送到由ARM处理器搭建的控制平台。由心电信号中R波时间间隔的差异序列谱计算得到心率变异性,对眼电信号触发计算得到眨眼频次。针对眼动信号,使用ARM控制高清摄像头拍摄人脸面部图像,拍摄到的图像先经过降噪、亮度提升等处理。后通过AdaBoost算法对人脸和人眼进行识别定位,接下来对图像进行二值化处理,将其转化为单色位图。由二值化处理得到图像的横向和纵向线性积分结果判断眼睑的闭合程度。相较于传统使用单一特征来判定疲劳的方法,本文提出的检测方法由于使用了多种生理参数作为疲劳判据,并对采集电路的噪声和干扰进行了严格的计算和控制,因此整个系统在准确度和实用性方面都有较大优势。为了验证方法的可行性,本文挑选了10名被试,使用中性视频刺激的方法诱使被试进入疲劳状态。本文在整个诱发过程中使用疲劳检测系统采集被试的各项生理参数,由开始采集前10min和10min以后被试进入疲劳状态下的参数对比可以得到结论:本文设计的疲劳检测方法是可行的,与之配套的硬件和算法系统可以有效地运行工作,整套系统可以有效地判断人体的疲劳状态。