心理疲劳会引起注意力不集中和认知响应速度降低等问题,对社会生产生活造成严重危害。飞行员和驾驶员的心理疲劳易导致重大安全事故,被认为是灾难性事故的主要原因之一。探索可行的疲劳检测方法对于避免各种工作中的人为失误、排除精细操作中的安全隐患具有重大意义。在众多的疲劳检测方法中,脑电图因能直观地反映大脑活动状态以及其在可穿戴疲劳检测领域不可替代的优势成为了热门的研究方向。现有的脑电采集设备主要针对科研、医疗用途,存在操作复杂和穿戴体验不佳的问题,无法在实际场景中应用于疲劳检测。少数可穿戴脑电采集设备的设计大多是依靠柔性脑电帽来达到其可穿戴性,仍然存在导线多和需要携带信号采集盒等缺点。出于脑电在疲劳检测中的应用需求,我们希望脑电采集设备能尽可能地从人体无毛发区采集脑电信号,拥有更小的体积和更少的导联数。为此,本文提出了一种柔性可穿戴双通道无线脑电采集方案,该方案舍弃了传统的导线加采集盒的设计,在保证了采集精度和准确度的同时,实现了一种穿戴方便、使用场景受限少、舒适性较高的可穿戴脑电采集设备。使用双通道脑电采集设备采集人体前额脑电,存在通道导联数少与引入大量眼电伪迹的固有问题,这为前额脑电信号的预处理带来了一定的困难。针对前额脑电特点,本文提出了两种基于完备经验模态分解的伪迹去除方法,分别是利用恒虚警率判断眼电位置并加以去除的CEEMDAN-CFAR算法以及利用复杂度作为ICA分解后伪迹判别依据的CEEMDAN-ICA算法,两种算法经实践检验,均能较好地去除脑电信号中的眼电伪迹成分和低频噪声,同时在很大程度上保留了原始信号的细节,被证实是两种有效的低通道脑电预处理方法。诸多研究已证明基于脑电的疲劳二分类可达较高的准确度,这验证了基于脑电的疲劳检测方法的可行性。然而分类效果较好的算法往往依赖于多通道脑电数据或者是大量的计算,由于本研究基于双通道无线脑电采集设备开展,通道数量较少,因此更需要结合优势特征才能得到较高的分类准确度。在以往的研究中,研究者们往往选用某一类的特征提取算法来探索疲劳的神经机制,这使得本文作者无法根据以往的研究数据得到适用于前额的优势特征。因此本文选用包括功率谱、频域特征、非线性动力学、小波熵等多种算法提取疲劳脑电特征,并使用基于SVM模型的递归特征消除法得到优势特征。为验证优势特征的可靠性,本文选用了急诊夜班医生和疲劳驾驶两种疲劳模型进行比对,最终找到六个较为稳定的优势特征。筛选出的优势特征可应用于未来基于前额脑电的快速疲劳检测。然而本研究中得到的疲劳分类优势特征,是由基于相对疲劳状态改变的二分类机器学习得到的,如何将优势特征用于疲劳程度的定量仍然是一个难以解决的问题,特别是在许多研究中对于脑电特征随疲劳变化的规律的并未得到统一的普适性结论。为了解决这一问题,或许需要通过进一步探索脑电特征的变化规律来揭示疲劳的神经机制。本文在寻找优势特征的基础上,进一步探索了优势特征的变化规律,希望能为后来者们探索脑电特征与疲劳的相关性提供一定的帮助。