驾驶疲劳是由于长时间单调驾驶或夜间驾驶而导致的驾驶员生理和心理机能下降,影响正常驾驶行为的现象。受人机界面设计的不合理、驾驶环境较差、驾驶作业时间长、驾驶操作复杂费力等不利因素的影响,联合收获机驾驶员极易产生心理和生理疲劳,使驾驶机能下降,大大降低驾驶员的反应能力和警戒程度。研究联合收获机驾驶员疲劳状态检测方法,有效地识别出驾驶员的疲劳状态,并在影响驾驶的必要时刻对驾驶员及时预警,对提高联合收获机作业效率,保障安全驾驶,减少由疲劳驾驶引发的作业事故,保护驾驶员的身心健康,保证粮食无损、顺利的收获具有重要的现实意义和研究价值。在深入调研分析国内外驾驶疲劳检测方法与农机领域驾驶疲劳研究现状的基础上,针对农机领域驾驶疲劳研究存在的不足及待深入研究的问题,以联合收获机驾驶疲劳检测问题为研究对象,以心电和肌电两种生理信号为检测疲劳手段,以建立适用于联合收获机作业环境的、高性能的驾驶疲劳检测方法为核心任务,对联合收获机驾驶过程中驾驶员的心电特征和表面肌电特征进行了深入的研究,提取分析特征参数,进行最优特征的筛选,基于信息融合的方法,搭建了联合收获机驾驶疲劳等级评价模型。实现了联合收获机驾驶疲劳的客观判断与评测,为进一步开展农机驾驶疲劳实时检测技术的研究提供参考。主要研究内容如下:(1)试验设计与实施。根据试验目的,从人员、时段、天气、地面、设备、测试方法和试验过程等方面进行联合收获机驾驶疲劳检测试验方案设计,利用RM-6240C多通道生理信号采集处理系统,在某联合收获机上进行了联合收获机驾驶疲劳检测试验,测取了驾驶员120min驾驶时的心电信号、两侧颈部肌肉和右侧腰部肌肉的表面肌电信号。(2)联合收获机驾驶疲劳主观评价分析。对试验中获得的联合收获机驾驶疲劳主观调查问卷进行统计分析,得到驾驶过程中总体疲劳程度以及身体、精神和神经感觉三类疲劳症状的变化趋势。由分析结果可知,随着驾驶时间的增加,总体疲劳程度逐渐加深,并呈现先快后慢再快的趋势;60min时大多数被试者感觉到有点疲劳,100min时90%的被试者感觉到比较疲劳,120min时90%的被试者感觉到非常疲劳;驾驶后三类疲劳症状程度等级呈加重趋势,其中身体疲劳变化最明显,神经感觉疲劳变化次之。身体各部位中肩颈和腰部是最疲劳的部位;神经感觉疲劳症状中,发生最多的症状是眼睛疲乏,眼皮抬不起来,发涩、发干。(3)心电信号特征统计分析。提取联合收获机驾驶过程中心电信号HRV序列的时域、频域和非线性特征参数,随着疲劳程度的加深,大部分特征参数呈现明显的线性变化趋势,且MEAN、SDNN、LF、HF、LFnorm、HFnorm、LF/HF和样本熵在驾驶前后具有明显的差异(P<0.05);MEAN、LFnorm、HFnorm和样本熵分别在三类指标中表现良好,线性趋势明显,波动小;非线性特征量与线性指标相比,非线性特征量曲线波动范围小,稳定性较好,可以更好的表征疲劳的过程及程度;通过计算HRV特征参数与驾驶疲劳度的皮尔逊相关系数确定SDNN、LFnorm、HFnorm和样本熵为驾驶疲劳检测HRV的关键特征参数;从信号波形、心率、心率变异性、差异性检验等方面对直行阶段和转向阶段的心电信号进行比较分析,得到转向阶段的心率和LF/HF在驾驶初、中、后三个时期均比直行阶段的大,而转向阶段的MEAN、LFnorm、近似熵和样本熵值在三个时期均比直行阶段的小,且这6项指标在两个阶段存在显著性差异(P<0.05),说明联合收获机驾驶员在转向阶段比直行阶段的工作负荷大,劳动强度高。(4)表面肌电信号特征统计分析。提取联合收获机驾驶过程中颈部和腰部肌肉表面肌电信号的时域、频域和非线性特征参数,随着驾驶时间的延长,腰部竖脊肌和颈部两侧中斜角肌s EMG的三类特征参数都呈现明显的线性变化趋势,在驾驶前后均具有明显的差异(P<0.05);线性与非线性指标相比,线性指标的变化程度更为显著,曲线波动相对较大,而非线性特征量曲线波动范围小,稳定性较好,可以更好的表征肌肉疲劳的过程及疲劳的程度;由幅频联合分析可知,联合收获机驾驶员在驾驶过程中腰部竖脊肌和颈部两侧中斜角肌的肌力增加不明显,而肌肉疲劳逐渐产生,程度逐渐加强;由两侧颈部肌肉各类指标变化程度对比得出,右侧比左侧肌肉疲劳程度高;通过回归分析的结果对比各参数的优劣,确定线性趋势和变化程度明显的RMS、MF和C0复杂度作为腰部肌肉肌电信号的关键特征参数,右侧颈部肌肉的i EMG、MF和近似熵作为颈部肌肉肌电信号的关键特征参数。(5)联合收获机驾驶疲劳等级评价模型建立。将提取的心电信号和肌电信号关键特征参数进行信息融合,基于支持向量机方法构建了联合收获机驾驶疲劳等级评价模型。该模型将HRV的SDNN、LFnorm、HFnorm、样本熵,腰部肌肉的RMS、MF和C0复杂度,以及右侧颈部肌肉的i EMG、MF和近似熵作为SVM的输入变量,将驾驶疲劳等级清醒0级、轻度疲劳1级和疲劳2级作为SVM的输出变量。经测试集分类检验,三个疲劳等级的识别率分别为89.66%、83.33%和90.48%,总体分类准确率达到87.5%;心电和肌电特征融合后识别准确率比单独特征的识别准确率高;心电特征识别准确率比肌电特征识别准确率高。利用支持向量机训练得到的联合收获机驾驶疲劳评价模型性能良好,分类准确率较高,通过心电和肌电融合特征参数能够有效的识别出联合收获机驾驶疲劳状态的等级。