脑力疲劳是经过长时间的专注或者其他脑力活动活动,而引起的主观上的不适。脑力疲劳会影响学习、工作的效率,严重的甚至可能导致事故的发生,导致人员财产的损失。脑电信号(EEG)记录大脑脑电活动的变化,作为大脑皮层或头皮表面大脑神经细胞的电生理活动的一般反映。当大脑处于疲劳状态时,通常可以利用脑电信号判断大脑是否疲劳。EEG信号是非稳态且非线性的生物信号,这使得该信号处理更加困难。近年来,基于脑电信号的脑力疲劳状态监测逐渐引起广大脑电领域的学者的注意,脑力疲劳状态的脑电信号的研究已经成为脑电信号领域领域的热门话题。目前,已有大量关于疲劳状态脑电研究成果,本文在总结前人研究的基础上,主要完成以下工作:(1)设计并且完成诱发脑力疲劳状态下的脑电信号的实验,区别于以往单一参考查维度的脑力疲劳脑电诱发实验,本文采用心理学实验stroop实验来设计两种不同难度的诱发人脑的疲劳状态实验过程,采集到不同脑力疲劳程度下的脑电信号。(2)通过基于集成经验模态分解的小波阈值函数去噪法对原始的脑电信号进行预处理;本文采用对传统的小波阈值函数的优化来克服软阈值和硬阈值的缺陷;本文采用的集成经验模态分解是对传统经验模态分解的改进,克服了传统经验模态分解方法存在模态混跌效应的不足。将两者结合,利用小波阈值去噪方法来处理高频信号,来解决集成经验模态分解的对高频信号处理乏力的缺点。实验证明,相对于传统的去噪方法,基于集成经验模态分解的小波阈值去噪可以对脑力疲劳脑电信号有更好的适用性和实际意义。(3)针对脑力疲劳脑电信号的非线性和非平稳性,本文分别从能量和复杂度出发,结合被测试人员对脑力疲劳状态的主观感受评价,分析脑电信号的能量熵、样本熵和模糊熵和脑力疲劳之间的关联性。本文提出的将能量特征和非线性特征相结合的多维度特征向量,相对于单一的能量熵作为特征向量,根据输入支持向量机得到的分类结果显示,对于脑力疲劳脑电信号识别率大约有20%的提高。