摘要:在日常活动中，疲劳是一种很常见的现象，其分为静态疲劳和运动疲劳两种。本文主要研究运动疲劳程度的检测。了解一个人的疲劳程度对工作和身体保健都是十分必要的。疲劳度检测可以基于人体生理特征参数实现，但往往比较复杂并依赖于仪器设备。本文设计了基于语音分析的疲劳度检测的实验方案，进行了多种特征参数的提取，最后用支持向量机对特征进行了分类识别。本文的主要工作如下：

首先，对运动疲劳语料库中的 30 个受试者四种运动疲劳状态下的120段语音信号进行预处理和端点检测，形成120段全部都为有效语音的语音样本，以便特征提取与分类识别工作。

其次，对语音信号进行特征参数提取，包括短时平均能量、 短时平均过零率、基音频率以及MFCC参数。

最后，用支持向量机方法检测疲劳程度。先是从基本原理和核函数的角度研究了SVM分类算法；然后采用易于使用的LIBSVM平台下的MATLAB接口对提取出来的语音信号特征参数进行分类识别，检测疲劳度；最后通过控制变量法，获得并分析了不同特征参数组合，不同训练集数据个数下的疲劳度检测的准确率。实验结果表明，基于语音分析进行疲劳度检测是可行的。

关键词：语音分析，运动疲劳，特征参数，支持向量机

目录

摘要

Abstract

第一章 概述-3

1.1疲劳及其分类-3

1.1.1静态疲劳-3

1.1.2运动疲劳-3

1.2课题的背景与意义-3

1.3国内外研究现状-4

1.4本文的主要工作-5

1.5论文结构-5

第二章 语音信号处理的基础知识及短时时域分析-7

2.1语音的发声机理-7

2.2语音信号的预处理-7

2.2.1语音信号的预加重处理-8

2.2.2语音信号的加窗分帧处理-8

2.3语音信号的端点检测-8

第三章 语音特征参数提取及分析-10

3.1短时平均能量的提取-10

3.2短时平均过零率的提取-13

3.3基音频率的提取-15

3.4 Mel频率倒谱系数（MFCC）的提取-18

第四章 基于支持向量机的运动疲劳度检测-20

4.1支持向量机分类器简介-20

4.1.1 SVM的基本原理-20

4.1.2 SVM的核函数-22

4.2基于支持向量机的疲劳度检测-22

4.2.1 SVM的实现平台-22

4.2.2 疲劳度检测结果-23

第五章 总结与展望-27

5.1论文总结-27

5.2今后展望-28

参考文献-29

致谢-31

附录-32