张少涵，马锦山，陈泽龙，谢子彦，林少炜，张振昌

(1.福建农林大学 计算机与信息学院，福建 福州 350002;2.联勤保障部队第900医院医学影像中心，福建 福州 350002;3.福建医科大学，福建 福州 350002)

随着时代的发展，社会生产力不断提高，人们的工作量也随之增加。由于工作时间过长、工作压力过大等产生疲劳的现象在日常生活中时常发生[1]，而疲劳会影响人们工作效率甚至导致事故的发生。

在生物医学数字信号处理技术的不断发展下，研究者们发现脑电信号和眼电信号与人的精神疲劳有显著的相关关系[2]。在传统方法中，刘苗苗等[3]使用非线性动力学的多尺度熵方法来分析不同驾驶状态下的脑电信号，发现受试者在疲劳状态下驾驶时的熵值低于非疲劳状态下的熵值。李超[4]使用与的比值来客观性的判断人脑的疲劳状态。周佳苹[5]研究发现α波、β波、θ波及（α+θ）/β、β/α在疲劳和不疲劳状态下的表现都有显著差异。

生物信号是一种十分复杂以及微弱的时序信号，具有非平稳性和非线性的特点，通常情况是由多电极测得的多通道信号，这使得疲劳检测评估更为复杂。近几年来随着人工神经网络的发展，神经网络也开始应用在生物信号分析上，它在面对复杂问题上具有强大学习力，对于多通道的信号也能够学习到其中的相关信息。韩霜等[6]提出基于深度收缩自编码网络的飞行员疲劳状态识别模型。张兆瑞等[7]建立疲劳识别模型对疲劳进行检测。卷积神经网络已经在疲劳检测中广泛的应用[8]，但是普通的卷积网络并没有利用到生物信号上的时间信息。……