经济的飞速发展使人民生活水平不断提高,也带来了交通业的繁荣。由于机动车数量的井喷式增长,交通事故的发生也不断增多,其中由于疲劳驾驶引起的占绝大多数。本文以驾驶员疲劳驾驶检测和预警为背景,围绕疲劳驾驶检测这一课题进行了相关的研究工作。现将研究工作总结如下:(1)本文针对原始脑电数据的去噪问题,提出了采用sym5函数对信号进行5层分解和基于贝叶斯阈值估计对信号去噪的方法。将得到的信号进行快速傅里叶变换得到频域特征,提出了将δ波、α波、β波、θ波的子带信号能量作为神经网络的输入,结合人工神经网络对脑波信号做出识别。分别研究了基于连接权值调整的BP改进算法、基于新理论的改进的BP网络算法。经过网络仿真实验证明了在脑波信号的识别上遗传BP网络要优于其它BP神经网络算法。(2)针对驾驶员的精神状态识别问题提出了采用K均值聚类算法来进行精神状态分类。在二维坐标和三维坐标下将特征量专心度、冥想度、以及原始波的聚类结果进行显示。分别实现了驾驶员精神状态的2-5类分类,结合实际需求和实验结果证明了在三类上的效果更佳。(3)经过实验发现眨眼时刻脑电波形的急剧增大的现象,本文提出了一种基于眼电的疲劳检测算法,设计思想为正常人都有一定的眨眼频率,针对连续多秒没有眨眼的人,判断其可能处于疲劳状态。(4)本文在以上算法的研究基础上搭建了完整的驾驶员疲劳驾驶检测系统,开发了Android平台的APP、Windows平台的应用程序.。通过实验对比了驾驶员疲劳预警的准确率、误报率、漏报率,确定了系统采用三种算法结合的方式来判定最后结果。实验表明:系统能够实现驾驶员疲劳状态的准确识别。手机APP的报警能够实时语音提示驾驶员、并且将位置信息和脑波数据等信息同步上传至服务器。同时,在服务器端监控也可以实时的看到使用者的生理状态和位置信息等。