随着科技和经济的发展,交通工具种类日渐繁多,随之而来的是交通事故逐年上升,在各种恶性交通事故中,疲劳引发的交通事故的概率高出正常驾驶的3-5倍。因此若能够利用EEG实现实时检测疲劳状态,对于避免交通事故具有重要意义。为了准确的检测驾驶员疲劳状态,本文主要研究多熵值特征下的疲劳检测模型,通过对疲劳检测过程中的去噪、特征提取和分类等三个主要步骤进行分析研究,建立起三个准确率较高、特征稳定的疲劳检测分析模型:(1)针对脑电降噪预处理,提出了一种基于小波变换与多项指标的疲劳驾驶检测应用,在小波变换降噪处理的基础上应用主成分分析(kernel principal component analysis,KPCA)方法进行特征提取,最后应用最小二乘分类器进行分类,实验证明了降噪后的数据分类效果比未进行降噪处理的数据分类结果具有明显优势。(2)针对融合脑电多特征,提出了一种集成多特征融合与三种不同核分类器的疲劳脑电分类研究方法。对32导EEG进行预处理,应用经验模态分解(Empirical Mode Decomposition,EMD)去掉异常值和高频噪声情况,然后对处理结果进行样本熵和模糊熵的多特征提取,将特征集合作为样本投入到集成三种不同核的自适应增强(Adaptive boostint,Adaboost)分类器中,实验结果发现在降噪处理结果与分类器选择相同的基础上,多特征提取分类结果明显高于单一特征提取效果。(3)针对分类器的单一性以及各分类器的优势互补问题,提出了一种基于AdaBoost的组合型实验方法用于分析脑电检测疲劳驾驶。试验过程中针对不同受试者采用独立成分分析(Independent Component Correlation Algorithm,ICA)处理分析,继而进行样本熵、信息熵、模糊熵和AR系数的特征提取;最后运用AdaBoost将最小二乘向量机基于三种核分类器集成为一个强分类器。试验结果显示,采用AdaBoost分类器分类效果优于单个核分类器,对疲劳驾驶平均识别率达到93%,五折交叉验证准确率为91.04%,在一定程度上拓宽了基于脑电信号的安全驾驶辅助监控系统的研究道路。