驾驶疲劳是道路交通事故的主要致因之一。目前,国内外相关研究人员针对驾驶疲劳的形成及检测方法进行了大量研究,并取得一系列研究成果。其中,在驾驶疲劳形成机理研究方面,由于驾驶人的疲劳水平与交通事故诱发因素间的关系密切,其对检测系统可靠性和实时性的进一步性能提升具有重要作用,此外系统可针对不同的疲劳水平采取不同的预警或主动干预措施,因此近年来逐渐引起了人们的关注。然而,由于驾驶疲劳水平的评定受主观因素影响较大,目前还没有形成可量化的统一分级标准。为此,本文基于脑电(Electroencephalogram,EEG)特征信息针对疲劳状态的检测及水平分级问题开展了相关研究工作,在EEG特征指标变化规律解析基础上构建了驾驶疲劳水平分级的隐马尔可夫模型(Hidden Markov Model,HMM),并基于相关实验对所构建的模型进行了验证。本文的主要研究内容如下:(1)驾驶疲劳状态数据库的构建。为获取不同疲劳状态下的EEG数据,本文基于已有模拟驾驶平台设计了完整的实验方案并进行了相关基础数据的采集工作。在此基础上,通过EEG数据、视频图像数据和主观评分相结合的方法对所获实验数据进行了状态标定,进而构建了用于本文研究的基础数据库。(2)EEG特征的变化规律解析及指标优选。由于单一特征指标无法在任意时刻均以较高的准确率反映驾驶员的疲劳状态,本文在已有研究的基础上选取节律能量比值、模糊熵和90%边缘频谱值等作为候选特征指标,通过对疲劳状态出现前后数据样本的配对样本t检验,形成了相应的优势指标集。(3)基于HMM的疲劳分级模型构建。为降低模型的构建复杂程度,本文采用模糊C均值聚类算法对优选指标进行了整体聚类,所得最佳聚类数作为HMM的观测状态数,基于疲劳状态数据库建立了不同隐含状态所对应的疲劳评估模型。(4)基于遗传算法的疲劳水平分级结果确定。鉴于模型准确性及实际应用中的时效性需求,本文以准确率和响应时间为要素构建了相应的优化目标函数,采用带精英策略的非支配排序遗传算法对其进行了多目标优化求解,根据优化目标确定了疲劳水平的最佳分级结果。围绕驾驶疲劳相关研究中的关键问题,本文针对疲劳特征指标确定和疲劳水平的量化分级开展了深入的研究工作。突破的难点在于:首先,通过对候选特征指标的规律解析并结合配对样本t检验方法确定疲劳评价的优选指标为节律能量比值和模糊熵指标;其次,综合考虑模型预测准确率及时间效率,基于遗传算法确定疲劳水平最佳分级结果。