道路交通事故（Road Traffic Accident,RTA）是生命安全的重大威胁,导致大量人员伤亡和巨额财产损失。RTA也是平时、战时军队非战斗减员的最主要原因之一。驾驶疲劳是诱发RTA的重要因素,是军地面临的共性问题。驾驶疲劳的诱发因素较多,其中长时间驾驶和睡眠时间不足是诱发驾驶疲劳的重要因素。基于生理特征的疲劳识别具有识别准确性高、在疲劳早期即可识别的优势,特别是机器学习方法广泛应用于驾驶疲劳的生理特征研究后,为及时和有效识别驾驶疲劳提供了技术支撑。目前,已有多种生理信号的时域、频域或非线性参数被应用与驾驶疲劳识别,但缺乏对驾驶员在正常睡眠和睡眠剥夺后,生理特征随时间的变化特点进行系统、全面比较,所选用的特征是否为驾驶疲劳识别的最优生理特征参数尚不确定。基于上述问题,本文回顾驾驶疲劳相关文献,梳理驾驶疲劳识别的常用生理特征参数;开展模拟驾驶实验,研究驾驶疲劳生理信号提取方法及适用范围,建立驾驶疲劳识别生理特征提取方法;对提取的生理信号特征参数进行分析,研究驾驶时间和睡眠剥夺对驾驶疲劳生理特征影响;最后,选取具有可实施性的生理信号提取特征参数,利用机器学习筛选驾驶疲劳识别的生理特征最优子集,建立驾驶疲劳识别机器学习模型。本文主要完成工作如下:1.研究驾驶疲劳模拟实验方法,采集、比较多维度生理信号、验证其适用范围。利用模拟真实驾驶感受的模拟器,招募5名健康男性志愿者开展实验,记录驾驶员试验前后血压、脑电图及心电图,同时采集腕部的皮肤电活动、皮温及加速度,建立相关信号特征提取的方法,明确其适用范围。结果显示生理信号心电图和脑电图可实现疲劳相关特征参数提取,重复性好,是表征驾驶疲劳的有效生理信号。2.正常睡眠和睡眠剥夺驾驶疲劳的生理特征运用上述实验方法,招募25名健康男性志愿者,分别进行正常睡眠和4h睡眠剥夺条件下的模拟驾驶实验,分析驾驶疲劳血压、心电图、脑电图和呼吸频率（Respiratory Rate,RESP）等生理特征。睡眠剥夺对驾驶实验前血压无影响,但实验后血压舒张压升高（73.14±1.49 vs77.50±1.44mm Hg,P＜0.05）。从心电图中提取时域、频域、非线性及生理参数等共计21个与疲劳相关特征。对比正常睡眠与睡眠剥夺后整个驾驶过程中心率变异性（Heart Rate Variability,HRV）特征参数之间的差异,结果显示:睡眠剥夺导致心电图的非线性特征去趋势波动分析（Detrended Fluctuation Analysis,DFA）的长期波动斜率DFAα2增大;时间主效应分析结果显示时间因素是导致驾驶员HRV特征变化的重要因素,HRV特征随时间增加产生趋势性的变化;时间单独效应分析显示HRV三角指数、平均心率（Mean HR）、R-R间期（RR Interval,RRI）长期标准差（Standard Diviation of NN Intervals,SDNN）、RRI短期标准差（Standard Deviation of the Average NN intervals,SDANN）、间期直方图宽度（the Triangular Interpolation of NN Interval Hietogram,TINN）、SD2、近似熵（Approximate Entropy,Ap En）在两组内不同时间段差异具有统计学意义（P＜0.05）;睡眠剥夺后的Mean RR、相邻RRI之差的均方根值（Root Mean Square of Successive Differences,RMSSD）、标准化低频功率（normalized Low Frequency,n LF）、标准化高频功率（normalized High Frequency,n HF）、低频（Low Frequency,LF）与高频（High Frequency,HF）功率比（LF/HF）、RESP、SD1、样本熵（Sample Entropy,Samp En）、DFAα1在不同时间段差异具有统计学意义（P＜0.05）,睡眠剥夺导致了广泛的HRV特征改变。随驾驶时间增加,正常睡眠与睡眠剥夺的驾驶员均出现心率降低、HRV整体张力（HRV三角指数、TINN、SDNN、SD2）增大的特点。睡眠剥夺导致驾驶员自主神经系统（Autonomic Nervous System,ANS）活动失衡,在副交感神经系统（Parasympathetic Nervous System,PNS）活动增强时,因睡眠剥夺和驾驶压力影响,交感神经系统（Sympathetic Nervous System,SNS）活动增强,导致了急性的精神疲劳,同时导致了驾驶疲劳发生时间提前。专家评分数据表明,清醒到疲劳状态的变化趋势,与驾驶时间增加时HRV的变化趋势一致,证实了驾驶人随时间增加逐渐疲劳。睡眠剥夺后驾驶任务中的α波、θ波比正常睡眠时活动更强。α波的时间主效应显著,在正常睡眠和睡眠剥夺后的驾驶中均随驾驶时间延长而增大。θ波虽然在睡眠剥夺后显示出更高的活动水平,但是并未随驾驶时间增加呈现出显著的活动增强。3.建立基于HRV和RESP的驾驶疲劳识别模型筛选出15个随驾驶时间变化具有统计学差异的HRV特征,结合RESP,运用支持向量机（Support Vector Machines,SVM）、K最临近（K-Nearest Neighbor,KNN）、朴素贝叶斯（Naive Bayes,NBayes）、决策树（Decision Tree,DT）、逻辑回归（Logistic Regression,LR）这五种经典机器学习方法,筛选出用于疲劳识别的最优特征子集并建立机器学习模型。结果显示LF/HF、RESP、Mean RR、Samp En及DFA a1这5个特征是疲劳识别的最优特征子集,在SVM中取得最好的分类效果,疲劳识别的准确性达到了87.07%,敏感性、特异性分别为87.03%、87.13%。五个特征中,LF/HF和RESP是最为重要的驾驶疲劳识别指标,在基于HRV特征和RESP的驾驶疲劳识别中,SVM与LR的整体表现优于其他模型,二者准确性、敏感性、特异性分别为（83.99%、85.13%、82.65%）、（84.43%、86.49%、82.02%）。本文系统研究驾驶时间和睡眠剥夺对脑电图和心电图生理特征影响,分析了CNS及ANS的神经活动,基于心电图筛选出HRV特征和RESP,构成驾驶疲劳识别最优特征子集,建立机器学习模型。本研究结果对驾驶疲劳穿戴式识别设备研发提供了关键技术支持,在军事交通安全上有重要意义。