驾驶疲劳是引发交通事故的主要原因之一,如果可以实时监测驾驶员的疲劳状态,在疲劳发生时给予警告,可以避免大量交通事故的发生。本论文在分析国内外驾驶疲劳检测方法的基础上,系统分析了心电信号在疲劳检测中的应用。本文主要研究内容为:第一章首先介绍了疲劳检测意义及研究现状,分析了现有疲劳检测技术、理论方法的优点和不足之处,最后给出了本文的研究内容。第二章在重构相空间对周期信号、随机信号和心电信号的非线性特征进行了比较分析。通过对RR间期序列及R波峰值序列的延迟时间间隔及最小嵌入维数,最大Lyapunov指数,熵值和复杂度的系统分析,确定了心电信号的RR间期序列以及R波峰值序列的混沌特性,为后期研究中提取系统表征心脏状态的心电指标奠定了理论基础。第三章在虚拟驾驶环境下,探讨驾驶任务过程中心电信号时域、频域以及非线性指标的变化趋势。通过实验研究发现,人在驾驶过程中,疲劳程度加深时,部分时、频域指标呈现出较为明显的变化趋势,且与非线性指标相比,变化程度更为显著,而非线性指标与线性指标相比,在表征疲劳的过程以及疲劳的程度上一致性更好。研究通过对各指标驾驶任务前后的显著性分析,初步确定了能够有效表征疲劳过程及程度的心电信号指标。第四章利用实验获取了不同状态下人体心电信号,并选择控制环境条件下PERCLOS值作为人体疲劳状态判断的依据,从而将获取的实验心电数据分为正常状态和疲劳状态两类。在此基础上,利用核主元法探讨了所选择的心电信号指标是否能有效地表达人体的疲劳状态。利用核主元方法对采集的样本进行分类分析表明,通过选择合适的核函数及相关参数,能够有效分离正常样本和疲劳样本,也表明利用所选择的心电信号指标进行疲劳检测是可行的。同时,我们在不考虑非线性指标情况下,对心电信号线性参数的疲劳可分性进行了相似的分析,结果表明,只采用线性参数也可对疲劳状态进行监测,但样本间的分界情况并不如综合线性和非线性信息的明显。第五章利用所提取的心电信号指标能够有效地辨别人体的疲劳状态,但在实时监测上,由于实验条件,我们无法判断各指标是否有某一具体的阀值,从而判断人体是否处于疲劳状态。在研究中将疲劳监测看做模式分类问题,驾驶疲劳检测过程中,正常状态样本容易获得,而疲劳状态由于安全和成本等问题,很难全面的收集到足够多的训练样本。针对这个问题,研究采用支持向量单值分类算法中的支持向量数据描述法,在仅有正常数据样本的条件下,就能有效的区分出正常和疲劳样本。对驾驶疲劳的心电数据检测试验结果表明,SVDD算法简单,计算效率高,分类效果好,可以满足疲劳状态检测要求。在上述研究的基础上构建了基于心电信号的驾驶疲劳检测原型软件,在驾驶疲劳实验中,验证了上述模型的信度和效度。第六章总结和展望,总结了论文的主要工作,并对不足之处和进一步能开展的工作做了分析。