驾驶疲劳是重特大道路交通事故的主要致因之一,若能实时准确的检测出驾驶人的疲劳状态并给予驾驶人及时预警,则可有效避免交通事故的发生。目前,国内外相关学者已针对驾驶疲劳的识别进行有大量研究,并取得了一系列研究成果。然而,针对驾驶人个体特性差异与识别系统性能间的内在关联关系还缺乏深入系统的研究。基于此,本文以提高疲劳状态识别系统的适应性为基本目标,在对驾驶人个体特性差异分析的基础上,提出了一种基于HMM的随机驾驶人疲劳状态识别方法,并基于相关实验对所构建的模型进行了验证。主要研究内容包括:(1)随机驾驶人的疲劳状态识别机理。本文通过对驾驶人个体特性差异的分析,以及驾驶人个体特性对驾驶疲劳识别系统影响的分析,提出了基于模型参数变换的驾驶人个体特性差异消除方法。然后运用与被测驾驶人具有相似个体特性的驾驶人的驾驶疲劳识别模型,通过对各个模型参数进行线性加权求和以及自适应运算,得到被测驾驶人的驾驶疲劳识别模型,实现了随机驾驶人的疲劳状态的识别。(2)基于HMM的驾驶疲劳识别基本模型构建。通过对驾驶疲劳识别的研究现状分析,本文选取了能客观反映驾驶人状态变化的EEG信号作为特征数据,并运用小波变换完成特征指标的提取,进而基于HMM的动态特性构建了基本的驾驶疲劳状态识别模型。最后,基于实验数据对基本模型进行了验证。(3)基于HMM的随机驾驶人疲劳识别模型构建。首先,在模型构建阶段,基于上述驾驶人个体特性分析结果,利用FCM算法对驾驶人类型进行了合理分类,进而基于各分类下的个体特性分别构建疲劳识别模型。其次,在状态识别阶段,首先基于被试的个体特性确定与之对应的识别模型,进而通过所提出的模型自适应算法对适用于当前被试的模型参数进行确定。最后,基于实验数据对上述构建的随机驾驶人疲劳识别模型进行了相应的测试验证。本文基于驾驶人的个体差异特性与疲劳识别系统的关联性分析结果,提出了一种基于模型参数自适应的随机人疲劳状态识别方法。测试结果表明,所提出的随机驾驶人疲劳识别模型在保证识别准确率的前提下,其对于不同驾驶类型的适应性得到了有效改善,相关研究结果对于车载系统的进一步性能提升具有实际的理论借鉴意义。