疲劳是正常人工作能力下降和许多疾病以及重大事故的诱因之一,因此,近年来越来越多的专家学者将重心放在疲劳的检测与预测研究中。但是大多数研究疲劳的专家学者都以运动员或者驾驶员为研究对象。事实上,疲劳这一现象却普遍存在于社会的各个领域。由于疲劳产生的复杂性,评价标准不一,疲劳特征单一,缺乏多信息特征融合,导致目前疲劳检测精度普遍偏低,且实用价值不高。针对以上问题,本研究通过构建融合了ECG、sEMG信号以及加速度信号的分布式无线体域网,结合模糊神经网络进行了疲劳检测与分类系统的设计,并以轮椅使用者为对象进行系统验证,最终实现了具有较高疲劳分类精度并且能够运用到行动不便人群的实际生活中作为疲劳指示的疲劳检测分类系统,从而避免该人群因生理感知功能下降而造成的疲劳二次伤害。主要工作和成果总结如下:1)对疲劳的检测方法进行了设计。将客观疲劳评价方法与主观疲劳评价方法结合,对日常生活中人体的疲劳程度进行评价和研究。将生理学信号(ECG和sEMG)与动力学信号(加速度信号)结合起来作为主要的疲劳评价方式,以自我疲劳评价数据作为辅助评价,实现了多信号源的疲劳判定,避免了单一信号来源判断疲劳的低准确性。2)对疲劳分类系统进行系统了构建。对疲劳检测系统的整体结构与工作流程进行了介绍,从信号采集层、移动端层和数据分析层的三个不同层次对硬件的进行描述,完成传感器的布置以及体域网的构建;软件部分,结合LABVIEW和Shimmer插件对疲劳检测系统的进行二次开发,在保证较小的丢包率的基础上,实现了同时对ECG、sEMG和加速度传感器等传感器数据的采集与存储,最后通过关爱小助手APP实现了疲劳显示功能。3)利用模糊神经网络实现疲劳分类系统的算法设计。首先对整体的疲劳分类系统的框架进行介绍,主要包括预处理、特征值提取、分类器的训练、以及最后疲劳结果的输出。具体算法设计包括利用巴特沃斯滤波器、小波变换等方法去除噪声干扰;结合加速度传感器信号形成碎片时间窗进行有效肌电信号与ECG信号的提取以及有效特征ARV、MPF和LF的提取;基于NEFCLASS完成了疲劳分类器的实现,对输入输出隶属函数和模糊规则进行了设计。4)设计实验对多个关键问题以及模糊神经系统进行了验证。实验设计包括数据采集实验和肌肉选择实验。实验验证包括特征值与疲劳关系验证、sEMG信号分割与重连方法验证以及模糊神经分类器的精度计算。本研究系统最终达到80%的分类精度。与现存文献的疲劳分类精度相比,本文提出的方法及系统更具有优越性。