精神状态的好坏直接影响个人能力的发挥水平,特别是对关键岗位上从事特种作业的人员而言,丝毫的差错都将造成严重后果。针对这一问题,开展以精神状态为对象的智能识别评估系统研究,避免特殊岗位上的工作人员因精神状态不佳而造成重大的工作失误。得益于脑机接口技术与人工智能算法的快速发展,近年来基于脑电信号的状态识别研究已成为人机交互领域的热点方向。但是在精神状态识别方面仍存在以下问题:首先,精神状态主观测试没有统一的评判标准,需要研究人员自行设计,相互之间存在较大的差异;然后,精神状态评估算法的设计没有固定的参考及标准,即可选取不同类型的参数结合不同的算法实现精神状态评估;最后,没有明确提出精神状态与人体生理参数之间的联系,采集的数据中存在无用的信号,有效信号中包含过多的冗余信息,给算法模型的训练带来非必要的消耗。针对上述问题,从以下三个方面进行了研究工作:首先,选取人体精神疲劳评估的“金标准”脑电信号以及准确反映人体生理状态的心电信号作为本次研究的数据基础。分别设计疲劳,情绪诱发实验。依靠两者相对成熟的评判标准确定精神状态的主观评测指标;然后,根据信号特征分别使用滤波器及小波变换的方法对信号进行去噪处理。选用pan-tompkins算法及最大值搜索的联合检测算法实现心电信号的定位,提取其时域特征。利用小波包变换将脑电信号分解为不同频带的节律波,提取其能量特征。以附加动量法的BP神经网络进行疲劳识别,克服了BP神经网络模型学习速率低,易陷入局部最优解的缺陷。同时以非线性支持向量机实现对情绪的分类。结合回归分析理论,提出变参数的精神状态评估方程,实现精神状态的分类识别;最后,对比分析关键导联与15导联下的精神状态评估结果,找出与精神状态强相关的脑电导联。研究结果表明,结合疲劳,情绪两方面综合因素设计的算法模型,能够实现精神状态的有效评估。在多次实验测试中具有良好的表现。同时,确定与精神状态具有密切联系的导联,给以少数关键导联重建多导联脑电信号的研究提供了基础。