为实时检测列车司机压力水平,基于高铁驾驶行为与安全仿真平台,获取16名被试不同驾驶速度下的主观压力量表和心电(ECG)信号。首先,通过分析主观压力量表,探究不同速度下司机的压力水平;其次,统计分析不同压力水平下的心率变异性(HRV)特征;最后,比较最邻近算法(KNN),支持向量机(SVM),随机森林(RF)3种机器学习算法在压力检测方面的表现,并分析不同输入特征对分类器性能的影响。研究表明:随着速度的增加,司机的压力增大。连续R波之间的时间差间隔大于50 ms的数量(NN50),连续R波之间的时间差间隔大于50 ms的数量占比(PNN50),低频段功率值与高频段功率值之比(LF/HF),心脏交感神经指数(CSI)在不同的压力条件下具有显著性差异。在高速条件下,PNN50、HF、LF/HF减小,NN50增加,其中LF/HF值显著降低。此外,特征选择和特征标准化均有助于提高模型的表现;相比KNN和RF,径向基为核函数(RBF)的SVM分类器模型在检测驾驶压力方面的效果最好,准确度为71.2%。