在高安全性要求的复杂自动控制系统中,人类操作员的性能崩溃往往会导致严重事故的发生,如何采取有效手段,判断操作员功能状态(Operator Functional States, OFS),避免事故的发生已逐渐为研究者致力解决的难题。解决该问题的有效途径之一是对操作员在当前任务环境下完成工作任务的性能——OFS进行有效分类。研究表明,操作员的电生理测量数据、操作员的任务性能数据——被控子系统处于目标区域的时间比(Time In Range, TIR)等,可以作为评价OFS的依据。本文首先采用密封舱内空气管理自动化系统(automation-enhanced Cabin Air Management System, aCAMS)软件,模拟操作员执行太空舱空气调控任务,结合实时采集到的被试者电生理信号和任务性能数据,建立实验平台。应用此平台,将独立分量分析(Independent Component Analysis, ICA)方法用于采集到的脑电(Electroencephalography, EEG)和眼电(Electro-Oculogram, EOG)伪迹的有效分离,在此基础上用支持向量机(Support Vector Machine, S VM)方法对实测的OFS数据进行三分类研究。其间选用RBF核函数为SVM建模的核函数,并采用网格法和K-折交叉验证(k-fold Cross-Validation, k-CV)来优化模型参数,之后又采用相关性谱分析,寻找适合各个被试的新模型输入。通过仿真,本文得到了OFS分类的实验结果。结果表明,基于ICA和SVM的分类方法有效提高了OFS分类的正确率。