随着汽车数量的增加,交通安全问题已经成为当今国际道路运输领域的难题,其中人为因素成为导致交通事故的主要原因。在人为因素中,疲劳驾驶是交通事故产生的一个重要原因。为了预防交通事故的发生,开发一个能够对疲劳驾驶进行实时监测和预警的设备至关重要。最近几年中,研究者采用了不同的技术从事疲劳检测系统的开发和研究,其中基于生理学现象的疲劳检测技术应用最为广泛。一直以来,人们将脑电作为疲劳检测的“金标准”,且认为这是最可靠且最具有意义的检测方法。研究表明大脑是一个复杂的非线性混沌系统,因此非线性动力学理论为脑电的研究提供了新的平台。混合专家网络具有模块化神经网络结构,其思想是“分而治之”,即能够把复杂问题划分为几个简单的子问题单独解决。基于上述原因,本文在脑电基础之上,提取了人体脑电信号的近似熵、Kc复杂度和CO复杂度三种非线性特征参数作为驾驶疲劳的特征值,建立了混合专家网络分类器模型,实现了觉醒和瞌睡状态的预测。与此同时,本文还用小波包域功率谱实现了人体闭眼状态的检测,作为瞌睡监测的辅助检测手段。当系统监测到异常状态时,将发出声音及视觉指示信号提醒驾驶员注意安全行驶。经过测试,系统在最佳窗长下,觉醒和瞌睡状态的识别准确率为75.25±9.21%；睁闭眼状态的识别准确率为87.31±3.97%；系统监测的平均处理时间为170.8±12.4ms。综上所述,本文的方法可以快速有效的识别睁眼、闭眼和瞌睡状态。系统具有高度的模块化、参数灵活可调、可扩充性和实用性等优点,为开发实时、便携的疲劳监测预警设备提供了很好的模型。