本研究设计了模拟驾驶实验,采集肌电、皮电、心电生理信号,以及眼动数据等,通过反应时间和眼动指标客观判断驾驶疲劳等级,然后提取肌电、皮电、心电信号非线性特征指标,通过支持向量机实现不同程度驾驶疲劳的识别。首先,利用Silab软件设计了特殊交通场景,以跟车行驶中前车突然停车为刺激信号,采集反应时间作为疲劳判断主要依据;召集被试进行模拟驾驶实验,获取肌电、皮电、心电信号,以及眼动和场景视频;计算反应时间,发现其基本为两个水平,在疲劳时突变至1s以上,并非逐渐增加,说明疲劳积累到一定程度才会影响驾驶行为;分析眨眼时间,发现其呈多处纵向分布,认为疲劳为间歇性循环发生。其次,结合反应时间和平均一次闭眼时间,将反应时间作为一级判断指标,平均一次闭眼时间次之,提出了驾驶疲劳分级方法,将驾驶疲劳细分为清醒、轻度疲劳、中度疲劳、重度疲劳四个等级。从安全驾驶角度考虑,将中度疲劳确定为适宜预警的阶段,轻度疲劳为适宜预防的阶段。最后,提取生理信号特征指标:心电信号R波峰值C0复杂度(f_C0),RR间期时间序列C0复杂度(RR_C0),肌电样本熵值(EMG_S),皮电样本熵值(GSR_S)。分析特征指标在不同疲劳等级下的变化趋势,总体上,疲劳时EMG_S降低,f_C0,RR_C0,GSR_S升高。显著性检验表明,所有特征指标在不同疲劳等级下都存在显著性差异,个别成对比较无差别。通过支持向量机(SVM)对驾驶疲劳四个等级进行分类识别,准确率为91.41%,除轻度疲劳之外,每个疲劳等级识别准确率都在90%以上,说明本研究提取的特征指标能有效识别不同疲劳等级。综上,本研究创新性地设计了刺激信号,根据安全驾驶需求,提出将驾驶疲劳划分为四个等级的方法,确定了最佳预警时机,提取了有效的生理特征指标,通过SVM实现了驾驶疲劳分级检测。为驾驶疲劳分级提供了新的视角,为开发实时检测驾驶疲劳并预警的可穿戴设备奠定了理论基础。