目的 探究心率变异性(heart rate variability, HRV)对噪声烦恼的预测效果,构建一种对噪声烦恼进行识别评估的模型。方法 以在职地铁司机群体为被试者,基于地铁模拟器设计了列车司机驾驶实验,采集了40名在职地铁司机在不同噪声环境下的Weinstein噪声敏感性量表与主观噪声烦恼问卷以及心电数据,对HRV特征进行提取并采用Z-Score标准化将数据转化为标准正态分布。特征选择采用随机森林(random forest, RF)对特征值进行重要度排序依次输入挑选最重要特征,建立了多种基于心率变异性特征的司机噪声烦恼识别模型进行比较,并讨论个体噪声敏感性对准确性的影响。结果 多种HRV特征与噪声烦恼相关。经特征选择发现,个体噪声敏感性对识别和检测噪声烦恼有显著作用。对比多种分类模型,使用卷积神经网络模型(convolutional neural network, CNN)对烦恼水平进行识别效果最好,准确率为90.03%。结论 基于心率变异性的深度学习模型具有良好的识别效果,为实时识别职业噪声烦恼提供了方法和理论支撑。