近年来,可穿戴式智能脑电仪的发展,为人体状态识别和健康管理提供新的发展机会。为了实现疲劳状态智能识别,提出基于可穿戴式脑电仪的疲劳识别健康管理方案,研究进行了脑电波与疲劳的关系实验,收集疲劳和脑电波的相关数据,并采用wilconxon秩和检验、probit模型、logist模型、统计学分析以及支持向量机、随机森林等机器学习等方法,研究了疲劳程度及其影响因素相关分析、疲劳程度与脑电波的关系分析(脑电波特征选择)、基于脑电波变化的疲劳识别模型以及娱乐节目对疲劳程度的干预分析等问题。疲劳程度的客观影响因素包括工作时长、工作量、工作难度、睡眠时长等。这些因素是造成疲劳的可能原因,而脑电波变量是人体不同疲劳程度下的脑电位表现。前者为因,后者为果。了解疲劳的前因后果,是未来实现脑电波疲劳预警和健康管理的重要前提。研究疲劳与脑电波的关系和疲劳识别,需解决的问题是哪种频率的脑电波影响或呈现人体疲劳状态。论文分别从横向和纵向数据结构进行研究,发现α脑电波(8-13Hz)、β脑电波(14-30Hz)、θ脑电波(4-7Hz)以及其数学组合(α+θ)/β、β/α在疲劳和不疲劳状态下的表现都有显著差异。这些脑电波变量可呈现人体疲劳状态的差异,帮助疲劳状态的识别。在建立基于脑电数据的疲劳识别模型过程中,研究采用并比较了CART、C4.5、随机森林和支撑向量机在脑电疲劳识别中的应用和差异。其中,随机森林和支撑向量机有更好的泛化能力,数据预测准确率分别在83%和88%以上。同时,研究认为基于疲劳因变量的数据平衡处理和数据非归一化处理能够提高脑电波数据的疲劳预测精度。数据归一化处理容易导致脑电波数据量级和波动信息的大量流失,应尽量避免或采用其他方式解决。最后,论文从疲劳控制的角度出发,研究在娱乐节目干预下实验者观看娱乐节目前后的疲劳差异变化。研究发现,35岁以上人群通过观看娱乐节目更容易变得轻松,而35岁以下的年轻人,观看娱乐节目前后疲劳没有显著的改善或恶化。