车站值班员担负着统筹协调铁路运输各方面的工作,要全盘把控车站运输资源的调配,及时应对设备故障、临时限速、计划调整等各种突发情况。长时间的高强度紧张工作会导致生理和心理的疲劳,给铁路运输带来安全隐患。现阶段,为了保障值班员的良好工作状态,仅仅采取了待岗休息2小时的措施,而对在岗期间的工作状态缺乏监管,为了应对疲劳带来的运输安全风险,对车站值班员的工作疲劳状态进行实时检测和评估具有重要的研究意义。语音承载着大量的人体疲劳状态信息,鉴于车站值班员工作中需要进行大量的语音呼叫应答,为了解车站值班员疲劳信息,降低因车站值班员疲劳给列车带来的安全隐患,本文基于深度神经网络学习方法,利用车站值班员工作语音检测其疲劳状态。本文的主要工作如下:(1)采集语音数据样本,建立疲劳语音数据库。定义了正常、稍微疲劳、非常疲劳三种人体疲劳度,设计了300句值班员日常用语,录制样本的受试者来自于中国且带有不同地区口音的15名志愿者,其年龄分布在20-45岁之间,2名女性,13名男性,人工录制并标记了5033条语音样本,以此样本建立了车站值班员疲劳度检测语音数据库(Train Attendant Fatigue Detection Corpus,TA-FD)。(2)建立基于注意力机制的循环卷积神经网络(Attention-based Convolutional Recurrent Neural Network,ACRNN)模型,进行了语音疲劳状态识别实验。网络模型由卷积神经网络、长短时记忆网络、注意力机制层所组成。实验结果表明,ACRNN模型在TA-FD数据集上的准确率为89.67%。与卷积神经网络和循环卷积神经网络模型相比,ACRNN模型识别准确率分别提高了5.49%和3.74%。(3)为进一步提高语音疲劳度检测准确率,提出了一种基于胶囊网络的循环卷积神经网络(Convolutional Recurrent Neural Network augmented with Capsule layer,CRNN-Cap)对疲劳语音进行分类,建立了一种适用于语音疲劳度分类的CRNNCap模型。网络构架由卷积神经网络、长短时记忆网络、胶囊网络组成,由此完成对输入信息的特征提取,最后的结果分为三类,即三种疲劳状态。实验仿真结果表明,CRNN-Cap模型在TA-FD数据集上的准确率为93.44%,比ACRNN模型的分类准确率提高了3.77%。