表面肌电信号(surface electromyography,sEMG)是人体运动时神经肌肉活动产生的生物电信号,可以在一定程度上反映人体的生理活动状态和功能状态,在康复工程、临床医学、人机交互、运动医学、疲劳诊断等领域被广泛应用。本文以驾驶状态下人体多组表面肌电信号为研究对象,对sEMG信号的特征提取问题和疲劳分析问题进行了深入的理论探索和实践研究,最后建立基于软集合理论的疲劳量化模型对人体的疲劳状态进行有效评估和量化。所做的主要工作及创新之处如下:首先,鉴于单个生理信号用于疲劳检测时准确性不高、易受干扰等特点,本文采集受试者多个部位的表面肌电信号,采用小波去噪和EMD重构去噪两种方法对表面肌电信号进行处理,在保留有用信息的情况下去除了部分干扰。然后,从时域、频域以及基于熵的复杂性分析入手,提取分离度更高、对人体状态表征能力更强的特征参数。分别采用近似熵、样本熵和模糊近似熵三种方法对肌肉电信号进行处理分析,对比发现模糊近似熵与肌肉的疲劳程度相关性和一致性较好,对参数的依赖性小,抗噪性能强,更适合统计sEMG的疲劳状态变化。最后,建立基于软集合的疲劳度量模型。本文将决策思想和异常数据处理方法应用到生理信号处理领域,建立了基于软集合的疲劳度量模型,将各部位的表面肌电信号特征值进行两层的数据融合,改进了异常数据处理算法,对异常的数据进行了有效处理,同时针对各部位sEMG变化对疲劳的敏感度不同的特点,我们还对各参数设定了不同的决策权重,从而使最后的决策结果更加稳定。为了验证模型的有效性,本文与RBF神经网络分类方法进行了各方面的对比,发现软集合模型得出的状态信息更加细化,可读性增强。