安全是轨道交通运输行业的第一要务,车站值班员是与安全运输息息相关的重要岗位,车站值班员的疲劳程度会影响工作效率,甚至会影响运输安全。考虑到车站值班员在工作过程中需要经常口呼指令,因此,通过语音可以对值班员的疲劳状态进行实时监控,有效降低由于值班员的疲劳给列车运行安全带来的隐患。本文中收集不同疲劳程度的语音样本,提取语音疲劳度特征参数,探究不同语音特征与疲劳度之间的关系,并通过神经网络来实现根据选择的语音特征对疲劳度进行检测。本文中所做的工作主要包括:第一,语音数据样本收集。目前缺少公开的疲劳相关的语音数据集,本次研究使用自行采集的男女声语音数据,数据中包含两种语音内容,标注为四种疲劳状态:非常精神状态,一般状态,比较疲劳状态,非常疲劳状态。第二,语音疲劳度特征提取。本文选取短时能量、短时平均过零率、梅尔频率倒谱系数、基音频率和第一共振峰五种语音特征用于对疲劳度进行分析,首先对语音信号进行分帧和降噪,接着使用能熵比法进行端点检测,最后采用对应算法提取各特征参数。第三,特征数据的分析与处理。首先,对于特征数据中存在的异常点进行清洗,提高数据质量,接着对单内容语音、不同内容语音以及不同说话人的不同内容语音分别进行了语音特征的疲劳度关联性分析,最后确定了用于疲劳度分类实验的特征参数群。第四,基于神经网络的语音疲劳度分类实验。使用Tensorflow框架搭建神经网络,采用Adam算法将处理好的语音特征数据用于网络训练,并测试其对疲劳度区分的准确度。对多次实验结果进行总结,结果表明在本文采用的疲劳语音数据集上,通过语音特征对疲劳度进行区分,取得了不错的效果。