虽然近年来我国的交通事故发生起数有所下降,但在事故中死亡的人数却逐年大幅增加。其中疲劳驾驶是导致交通事故的一个重要原因,因此对疲劳驾驶的监测是一个重点研究课题。分析当前国内外的研究现状,并比较了各类检测疲劳驾驶方法的特点。发现以往的驾驶疲劳监测研究中,通常是通过机器视觉检测驾驶员疲劳时的个人特征,还有利用生理设备检测驾驶员的脑电、心电等生理信号,或者是设计车载设备检测疲劳驾驶时的车辆信息,以这三种方式来进行疲劳驾驶的监测。本课题提出利用方向盘握力信号来检测疲劳驾驶,相比较于以上的检测方式,基于握力的方法具有以下优点:信号易采集,信号的信噪比高,设备成本低廉,监测的过程中不会影响到正常的驾驶操作。然而此方法精准度却相对不高,效果不理想,而利用检测脑电信号判断疲劳驾驶具有非常高的精准度,但此方法只在实验中应用较为广泛,因此本课题的研究是通过同步检测脑电信号和握力信号,利用BP神经网络方法建立基于握力信号的疲劳特征参数与基于脑电信号的疲劳程度值之间的联系。文中首先搭建能够测量脑电信号与握力信号的实验平台,然后安排6名驾驶员都分别进行正常和疲劳两组实验,为保证真实环境下驾驶实验的安全性,每人每次只进行30min的驾驶实验。一方面,针对获取的脑电数据,进行预处理,设置时长10s的时间窗口,然后利用小波包分析法提取脑电信号中与疲劳驾驶相关的时频域特征,计算每个样本的平均功率后再计算反映疲劳状态的脑电指标R值,从而判断驾驶员是否处于疲劳状态。另一方面,针对获取的握力数据,提取握力信号的时域特征和时频域特征,设置相同的时间窗口长度,计算各个特征参数在组内的平均数值,利用独立样本T检验分析并筛选出正常驾驶和疲劳驾驶之间存在显著差异的特征参数,以这些握力特征参数来表征疲劳状态,接着对特征进行平滑处理。最后,建立BP神经网络模型预测疲劳驾驶状态,以筛选出的可以表征疲劳的方向盘握力相关参数作为输入层,以对脑电信号进行处理和计算后得到的R值作为输出层,对模型进行训练并验证准确率。