疲劳驾驶是造成交通事故的重要因素之一,驾驶疲劳问题引起了全球各国的广泛关注。对此,世界多国学者开始了对疲劳驾驶检测与预警系统的研究,希望构建具有驾驶疲劳检测、和谐人机交互的高级安全辅助驾驶系统（Advanced Driver Assistance System,ADAS）。ADAS的前端判别子系统可分为感知层和判别层两个结构单元。其中,感知层如何获得可靠的多模态生理信息?判别层如何及时准确地判别出驾驶员的疲劳状态?这两点是加速安全辅助驾驶技术开发与应用的关键所在。人的行为由神经系统控制,肌电、脑电和心电等电生理特征可反映人体的神经状态,综合分析驾驶员的多模态生理特征,有助于提高疲劳检测的正确率,可为辅助驾驶系统的人机自适应切换技术的发展奠定理论基础。为此,本文依托高速公路真实驾驶和模拟驾驶环境,基于生物力学特征分析,选择了驾驶员颈腰部肌电信号的疲劳易感位,研究了驾驶员不同部位肌肉的特征参数在驾驶过程中的变化规律。并将其与生理信号融合成多模态变量,考察多模态生理信号反映驾驶疲劳的表征效果,从而优化出最佳的多模态生理信号及其特征参数,为ADAS前端判别子系统的感知层获得准确可靠的信息提供数据支撑。在此基础上,建立了驾驶疲劳的判别模型,为ADAS判别层及时准确地判别出驾驶员的疲劳状态提供理论依据。本文的主要研究内容及其创新性工作如下:（1）基于生物力学特征,提出了一种线性指标（积分肌电）和非线性指标（样本熵）融合而成的表征肌肉疲劳的综合状态指标Q值。随着被试者保持屈颈状态时间的增加,表面肌电信号的积分肌电值呈上升趋势,样本熵和疲劳状态指标Q值呈下降趋势。后期变化幅度变缓,最终趋于稳定,表明肌肉进入比较疲劳状态。配对t检测和变异系数分析表明,Q值对颈肌疲劳的反映效果最好。表现在:a)疲劳前后差异性最明显;b)数据稳定性最好;c)同生物力学分析相一致,可反映出人体不同部位颈肌疲劳程度的变化情况。此项研究结果符合临床诊断及颈部的生物力学机制,即颈6节段处肌肉比颈7节段处肌肉更易疲劳,且程度较重。因此,状态指标Q值能更好地反映数据本质以得到驾驶过程中肌电信号的变化规律,亦可比较不同位置肌肉的疲劳程度,是衡量屈颈状态下颈部肌肉疲劳的有效特征参数。（2）基于生物力学特征,科学合理地确定了肌肉疲劳易感位置,有利于确定肌电信号提取的国际标准位。本文根据驾驶员驾驶姿态及颈腰部肌肉骨骼构造建立生物力学模型,该力学模型能够标定颈部两侧上斜方肌和腰部两侧竖脊肌在驾驶过程中的疲劳易感位置。即,颈6部位左右两侧上斜方肌和腰4部位左右两侧竖脊肌在驾驶过程中最易疲劳,对疲劳状态反应最灵敏。将颈肌复杂度、腰肌复杂度、腰肌近似熵这三种特征参数联立起来更能明显区分正常和疲劳两种状态。通过主成分分析（PCA）可实现颈部和腰部特征参数间的有效融合,保留有用信息,消除冗余信息。基于多元回归理论,建立了有效判别疲劳驾驶的CL-EMG模型。由于对颈腰部肌肉的疲劳状态进行综合分析,将生物力学特征与生理信号融合成多模态变量,保证了驾驶疲劳识别算法的准确性和鲁棒性。状态验证和交叉验证结果表明,该模型的准确率可达91%以上。（3）多模态生理信息的特征分析。本文利用模糊C聚类算法对真实高速公路驾驶环境中采集的不同信号组合进行了综合分析。颈肌样本熵、颈肌复杂度、腰肌样本熵、腰肌复杂度、脑电样本熵、脑电复杂度这六个生理信号的特征参数值都随着驾驶时间的延长而逐渐降低。在特征提取阶段,分析各个特征间的相互关系,通过信息互补和去除冗余信息来优化特征参数,得到反映疲劳状态效果最佳的多模态信号组合。从而实现了生理信息的多模态化与合理降维的有效融合,为提高驾驶疲劳状态的判别效果提供理论依据。在此基础上,将颈腰部肌电信号和脑电信号特征参数进行整合,建立了判别驾驶疲劳的ML-EMG/EEG数学模型。状态验证和交叉验证结果表明,该模型的准确率达95%,可有效提高安全辅助驾驶系统ADAS前端判别子系统的信息可靠性和辨识准确性。（4）对驾驶员无干扰的便携式非接触式传感器的设计及其在判别驾驶疲劳中的应用。本文设计了一种便携式非接触式的多模态生理信号传感器,该传感器置于驾驶员的座垫内,可在不干扰驾驶员正常驾驶的情况下实时采集驾驶员的股二头肌生理信号,实现了非接触式测量,为驾驶疲劳的检测提供了一种非接触、多模态、实时、简便有效的新方法。对于采集到的混有噪声的肌电/心电混合信号,本文利用快速独立成分分析（Fast ICA）和经验模态分解（EMD）,实现了肌电信号和心电信号的有效分离和去噪。在此基础上,提取了肌电信号复杂度、肌电信号样本熵、心电信号复杂度、心电信号样本熵这四个特征参数,它们均随驾驶时间的延长而呈现出下降的趋势。采用主成分分析的方法将特征参数进行降维,获得了三个能够有效表征疲劳状态的主成分,以此为自变量构建了基于多元回归理论的PCA-ML驾驶疲劳判别模型和基于贝叶斯分类器的PCA-Bayes驾驶疲劳判别模型。状态验证和交叉验证结果表明,这两个模型的准确率分别可达89%和92%。综上所述,本文共建立了CL-EMG、ML-EMG/EEG、PCA-ML、PCA-Bayes四个驾驶疲劳判别模型,模型准确率分别可达91%、95%、89%、92%。其中,ML-EMG/EEG模型综合考虑了包括人体生物力学的多模态生理信号,并采用了PCA算法和样本熵算法等,实现了多模态化与合理降维的有效融合,使得该模型具有较好的实时性且计算准确率最高。PCA-Bayes模型采用了非接触式复合生理信号的驾驶疲劳判别系统,检测过程中对驾驶员的正常驾驶没有干扰,模型计算准确率也较高。当ADAS的前端判别子系统感知层科学合理地提取驾驶员信息,判别层准确识别出驾驶员的疲劳状态时,为减少交通事故的发生,车辆可切换至辅助驾驶模式,从而对避免因驾驶员疲劳导致的交通事故,具有重要的现实意义和科学意义。因此,本文的研究内容可促进安全辅助驾驶技术的开发与应用。