精神疲劳严重降低认知效率,已经成为一种普遍的亚健康问题。无论是在强压力工作环境下还是弱压力工作环境下,长期处于疲劳状态的人更易引发各种身心疾病。对于精神疲劳状态引发的相关健康风险,早预警才能早干预,因此对精神疲劳的评估和检测极其重要。目前的疲劳相关研究大都采用短时间的实验室任务诱发疲劳状态,也并未考不同程度的精神压力对疲劳的影响。因此,本文在3中真实生活环境下采集不同精神疲劳状态的心电数据,使用有监督机器学习方法探索疲劳的自主神经反应特征,使用低维特征构建疲劳生理模式识别模型,揭示不同精神压力水平下疲劳引起的自主神经活动变化规律。具体的研究内容和结果如下:（1）建立课堂疲劳生理数据集,构建精神疲劳模式识别模型。首先,采集45名普通高校大一学生在《电路分析》课程教学中的心电信号,根据自述的疲劳体验和测试题绩效标定心电数据的精神疲劳或非疲劳标签,并将数据集划分为训练测试集和验证集;其次,从样本中提取39个反映自主神经活动的RR间期特征;然后,使用曼-惠特尼U检验考察精神疲劳样本与非疲劳样本的自主神经反应差异;最后,采用序列后向特征选择算法从初始特征集中选出对两种疲劳状态具有明显区分能力的关键特征子集,使用6种常规分类器对两种精神疲劳状态进行分类。在独立于分类器训练和特征选择的验证集上验证分类器的性能,结果显示:使用2维特征子集和KNN分类器区分精神疲劳状态和非疲劳状态,取得最高73.68%的F1分数。（2）建立强压力和弱压力下的疲劳生理数据集,构建不同精神压力下的疲劳模式识别模型。首先,采集66名普通高校学生在网吧或办公室场景下连续7小时打游戏或工作的心电数据,根据心率水平将被试分为强压力组和弱压力组,根据疲劳诱发任务持续时间标记心电数据的3种疲劳水平:f1、f2和f3,并将数据集划分为训练测试集和验证集;其次,从样本中提取41个反映自主神经活动的RR间期特征;然后,采用曼-惠特尼U检验分析不同疲劳水平对间是否存在显著性差异;最后,通过序列后向特征选择方法选出受精神疲劳影响较大的关键特征子集,构建6个二分类生理模式识别模型,用于识别两种压力下的3种疲劳状态,并在独立于分类器训练和特征选择的数据集上验证了模型的泛化性能。分类结果显示:弱压力组的f1 vs.f3在独立验证数据集上获得了最好的分类效果,F1分数为70.83%;而强压力组中的f2 vs.f3在独立的验证数据集上的F1分数为47.89%,比随机猜测还要低。论文研究有如下发现:1.在课堂疲劳数据集上（1）精神疲劳状态与非疲劳状态具有可区分的神经生理模式。相比精神疲劳状态,非疲劳状态的HRV更小,心率更快。（2）用机器学习方法构建的疲劳识别模型的准确率远高于随机猜测,表明在课堂教学中利用生理测量的方法监测学生的精神疲劳状态是有效可行的。2.在不同精神压力诱发的疲劳数据集上长时间的工作,无论工作压力是强还是弱,都会引起疲劳体验和生理反应的积累。尽管在强压力和弱压力状态下,自述疲劳体验都随着工作时间的增加而增加,但在不同精神压力水平下,疲劳引起的自主神经活动变化有很大差异。（1）在强压力状态下,疲劳水平增加导致交感神经系统（SNS）激活增加,副交感神经系统（PNS）激活减少,引起与压力相同的自主神经反应,说明疲劳本身也是一个压力源;在弱压力状态下,疲劳水平增加导致心率下降,PNS活动增加,说明人体会自动调整到休息状态以应对疲劳。（2）在强压力状态下,从f2到f3疲劳水平的增加引起PNS和SNS活动轻微增加和心率略有下降,表明自主神经系统（ANS）过于疲劳,无法对压力源作出充分反应。（3）在弱压力下,工作1小时、3小时和7小时对应了三种从ANS活动上可区分的疲劳水平;而在强压力下,工作3小时以上的疲劳程度几乎无法从ANS活动上区分开,说明强压力下的疲劳水平两级划分比三级划分更合适。