如今的中国GDP位居世界前列,GDP的增长意味着我国经济高速发展。人民群众的生活水平也在日益提高,大部分家庭都能拥有自己的汽车。交通事故的数量也在逐日增加。往往造成交通事故的主要原因是由于驾驶员的疲劳驾驶引起。因此对疲劳驾驶的研究,具有重大意义。不仅可以减少交通事故的发生,同时对当今社会的和平发展具有深远的影响。疲劳驾驶检测办法的研究在国际上引起了众多研究者的关注,最常见的疲劳检测方法有“PERCLOS”检测、基于肌电图信号检测、根据驾驶员的头部位置进行检测、依据车辆驾驶行为检测的方法。在众多的检测方法中,脑电信号具有更高的可靠性、实时性和灵敏度。脑内神经元产生的脑电信号,本质上是生物电信号。脑电信号是一种生理信号,具有随机性的特质。脑电波的节律多种多样,脑电波容易因为外界的一些刺激或心理上的变化,以及生理上的异常而对脑电波产生一定的影响。同时脑电信号能直观的反映人脑的生理特性,从而在探讨涉及大脑学习等相关科学内容时,提供了很好的根据。一旦大脑活动,必然会出现脑电信号,两者密不可分。根据现有的文献资料分析,对于目前的疲劳驾驶检测研究,大多数基于提高识别的准确率来进行研究,而准确率大部分是基于识别的方法。而本文是通过研究疲劳检测的全过程,包括样本数据的预处理、特征值的提取、分类器集成学习。对这三个过程进行处理,得到更好的识别效果。预处理中将介绍不同的去噪方法,将通过滤波器过滤、奇异值分解降噪,基于fastica降噪这三种方法进行降噪,选取去噪效果最好的方法来建立一个质量较好的样本空间。在特征提取方面,将采用非线性动力学分析法,将采用熵的方法进行提取,基于样本熵、模糊熵、近似熵、谱熵等进行分析并选择最优的特征集。在分类器方面选择了SVM、随机森林、BP神经网络,将通过比较三者的准确率来确定其分类模型。在此过程中也将提出样本的数量、样本的性别是否会成为影响准确率的因素。经实验表明,通过滤波器的滤波为样本预处理的最优法;对各种熵进行研究,最终选择将四种熵进行组合产生最优特征集;最后选择通过支持向量机进行识别;全过程的优化确实比单一步骤的优化得出的效果更好。同时还证实了样本数量越多,识别率越低,且样本的性别是也会影响疲劳检测的识别率。