人体超负荷下的疲劳状态常影响其日常生活,严重时甚至会导致事故的发生。因此研究疲劳机制和有效地监测疲劳有着重大的意义和广阔的应用场景。脑电信号被许多学者认为是研究疲劳的“黄金标准”,通过脑电信号分析疲劳特征是有效判断疲劳的客观手段。基于稳态视觉诱发的脑电信号(SSVEP)具有高信号比、操作简便和无需训练等特点,已经得到广泛应用,但是长时间使用会产生疲劳,而关于SSVEP的疲劳研究较少。因此本文在稳态视觉诱发脑电信号的实验基础上,采用改进的深度混合模型研究疲劳脑电信号,并与常用于提取脑电疲劳特征和分类的算法进行比较。本文主要研究工作如下:1)本文设计了基于稳态视觉诱发疲劳脑电信号实验。实验中设计了黑白棋盘翻转的界面,并且采用低频段9-13Hz作为刺激源,对18名视觉正常且健康受试者进行了四个阶段测试,诱发受试者产生疲劳脑电信号。采集的原始脑电信号首先经过0.5-35Hz的带通滤波滤除其他频段的伪迹,然后采用独立成分分析方法滤除同频段中包含的眼电和肌电等伪迹,得到相对干净的脑电信号。2)提出无监督的多通道受限玻尔兹曼机网络(MCRBMs)模型重构脑电信号,自动提取疲劳脑电信号中内在特征。本文在无监督的受限玻尔兹曼机网络(RBM)模型的基础上进行了改进,针对训练多通道的脑电信号时会得到多个RBM网络,为了降低网络模型的复杂度,提出“权值共享”机制,不仅减少模型参数,而且可以减少脑电信号中的噪声。经过多通道受限玻尔兹曼机网络模型有效重构的脑电信号,在对应刺激频率响应处清醒和疲劳的幅值有显著的差异,即隐藏层能有效保留原脑电信号的主要特征,同时能提取到内在的疲劳特征,可以作为特征层与分类器的输入端直接相连,克服了传统方法需要手工提取和选择特征的缺点。3)多通道受限玻尔兹曼机网络与有监督的卷积神经网络(CNN)结合,形成MCRBMs-CNN深度混合模型。将多通道受限玻尔兹曼机网络模型提取的疲劳脑电信号特征的隐藏层直接作为卷积神经网络的输入,经过空域滤波和时域滤波后全连接分类输出。在基于稳态视觉诱发疲劳脑电的数据集上进行评估,MCRBMs-CNN深度混合模型的平均准确率达到88.63%,对比传统的疲劳脑电算法模型提高了10%,实验结果证明了MCRBMs-CNN模型分类效果较好。