职业紧张是目前众多领域中研究的一个热点。经济的发展和社会生产方式的变革使得越来越多的人在自己的职业岗位上感受到了紧张与压力。职业紧张测量工具量表可以从宏观上测出被试者的职业紧张状况,但由于使用的差异仍存在许多问题。脑电信号中包含很多重要的生理信息,大脑皮层对外界刺激产生的行为可以通过脑电信号反映出来。利用脑电信号构建网络并分析其拓扑属性能为职业紧张的临床判断提供思路。本文通过分析护士和学生的脑网络从而判别出两者之间不同的职业紧张程度,研究结果如下:1.基于内部组成对齐的脑电原始信号以及节律信号的分析。选取16导联脑电信号,利用内部组成对齐(Inner Composition Alignment,IOTA)方法对学生和护士样本构建脑网络,并选取参数分析样本之间的脑网络差异性。利用特征提取技术对原始脑电信号进行处理得到节律信号,分析两组样本间节律信号的差异。结果表明,护士的脑网络拓扑结构明显复杂于学生的脑网络,原始脑电信号和节律信号中的β节律能够有效区分护士和学生的IOTA系数以及脑网络拓扑属性。2.基于Kendall的脑电原始信号以及节律信号的分析。采用Kendall等级相关方法对脑电信号作非线性处理。通过构建分析护士和学生的脑网络,研究不同脑电信号之间是否具有差异性。应用节律信号构建网络,比较两组样本间的差异。采用独立样本T检验用于检测结果是否具有可信性。结果显示,在原始信号和β节律信号下,护士样本的Kendall系数明显高于学生的Kendall系数,两者的平均度和聚类系数也有显著的区别。验证了Kendall方法能用于区分学生和护士的脑电信号。3.基于安卓平台的系统设计与实现。将本文研究的IOTA和Kendall算法功能实现于APP中。采用Java语言编程开发APP软件,该系统可以完成一系列功能,包括数据的处理,算法的运行,结果的显示以及均值方差图的实现。通过对IOTA算法和Kendall算法的研究,发现两种算法都能有效区分不同组样本的脑网络。对原始脑电信号和节律信号进行分析时,结果是原始脑电信号和β节律信号可以区分两组数据,而其他三种节律信号效果均不明显。因此,可以应用IOTA算法和Kendall算法基于原始信号或β节律信号研究样本之间脑网络的差异。