随着全球经济的不断发展,各国汽车保有量的持续增加,道路交通事故发生率一直居高不下。研究表明疲劳驾驶是造成交通事故的重要原因之一,严重威胁着驾驶员的生命和财产安全。因此,实时检测驾驶员的疲劳程度并提前预警,对避免交通事故的发生,保护驾驶员的生命安全以及提高驾驶员的工作效率具有非常重要的意义。本文针对传统基于心电信号的疲劳驾驶判别方法中心电信号采集时间过长,响应速度无法满足实际应用要求的问题,提出了基于短时心电信号分析驾驶员疲劳状态的方法,解决了短时心电信号中HRV(Heart Rate Variability)频域指标的提取问题,建立了基于支持向量机的疲劳判别模型,达到了利用短时心电信号快速并较准确地判别驾驶员疲劳状态的目标。具体研究内容如下:本文首先研究了短时心电信号的采集,设计了每隔5秒循环采集心电信号的心电采集装置,并通过开展驾驶模拟实验,采集得到驾驶员的心电数据样本。随后对采集到的心电数据样本进行小波去噪预处理,利用自适应差分阈值法进行R波检测,并采用CZT(线性调频Z变换)频谱细化算法对其进行频域分析。计算得到表征疲劳驾驶的HRV时频域特征指标:(1)时域指标:SDNN(RR间期标准差);(2)频域指标:LFnorm(标准化低频功率)、HFnorm(标准化高频功率)、LF/HF(低频功率与高频功率之比)。最后,本文构建了基于支持向量机的疲劳驾驶识别模型。将心电数据样本作为识别模型的训练集和测试集,每组样本向量均包含SDNN、LFnorm、HFnorm、LF/HF这4种特征参数。通过交叉验证选取SVM(支持向量机)最优参数c=4和g=16后进行分类测试,经测试,正常和疲劳两个等级的识别率分别为86.5%和82.5%,依据分类器的良好性能,较高的分类准确率可知,从短时心电信号中提取的表征疲劳驾驶的HRV时频域特征指标能够有效地识别出疲劳驾驶状态。本文的研究从缩短心电信号采集长度的角度,改善了基于心电信号的疲劳驾驶检测方法的实时性问题,为驾驶员疲劳状态实时检测提供了有效的理论支持,同时还有利于推进疲劳驾驶检测向实车应用发展。