随着我国经济社会的发展,人民生活品质的提高,运动与健身越来越被重视。无论对普通运动健身需求的人群,还是需要大运动量训练的职业运动员、军人等而言,如何科学的安排运动、训练强度和频率,监测运动人员疲劳程度,避免过度疲劳损伤甚至猝死就成为一个重要的课题。本文利用生物电信号对男性运动人员有氧运动疲劳进行了研究,分析心电、肌电与脑电三种信号在不同躯体疲劳状态以及运动后恢复期的变化规律,实现了对有氧运动疲劳程度及运动后恢复程度的客观识别。为运动人员避免过度训练损伤机体、科学恢复运动疲劳提供了一定的技术支持。本文的主要工作内容如下:1.设计并完成了有氧运动疲劳实验,采集了被试的心电、肌电与脑电信号,并在运动过程中利用疲劳量表评估被试者的主观疲劳感受作为疲劳程度的参考值。2.心电、肌电与脑电信号的预处理。针对噪声影响较大的心电运动伪迹,设计了自适应滤波器,并在实验中同步采集了反应被试运动状态的三轴加速度数据作为参考信号,将其与含噪心电信号一起输入滤波器,利用滤波器的自适应特性不断地优化滤波参数和权值,使其滤波性能可以自动与噪声变化相匹配,并更好地抑制噪声。设计了自适应差分阈值结合自适应幅度阈值的算法,识别心电中的R波峰并提取出了心率变异性信号。对肌电、脑电信号,主要通过带通滤波器、陷波滤波器、小波滤波、阈值滤波等方法去除了噪声。3.对心电、肌电与脑电进行了特征提取,并分析了这些特征在不同疲劳状态下的变化规律。将肌电特征做了归一化,减小了其个体差异。并根据分析比较,挑选出了不同疲劳状态下心电的RR间期标准差、低频功率/高频功率、近似熵等参数以及肌电的归一化整流平均值、归一化总功率参数,作为构建运动疲劳识别模型的生物电特征。利用多个生物电的多生理参数结合识别疲劳程度,避免了一些研究中只用单个生理指标研究疲劳而导致的识别率低、适用性差等问题。4.利用前文所提取的特征,构建了基于支持向量机和随机森林的有氧运动疲劳识别模型,并利用5折交叉验证法测试了它们的分类准确率。支持向量机疲劳识别模型算法经典可靠,简单高效;随机森林疲劳识别模型算法基于决策树,需要有一半以上的决策树同时决策错误,且对某一错误分类的投票数高于正确分类的投票数才会产生错误的分类结果,故其分类错误率低,稳定性强。经过5折交叉检验,SVM和随机森林分类器对疲劳程度的识别率分别达到了91.39%和95.15%。5.对疲劳恢复期的心电、脑电变化情况做了分析,并构建了基于心电特征的疲劳恢复程度识别模型,利用运动后休息期的最后2分钟心电信号检测了被试在该时期的疲劳恢复情况。