疲劳驾驶是产生交通事故的重要原因之一,若能对驾驶员进行驾驶疲劳检测并进行实时预警,可有效降低交通事故的发生率。在驾驶疲劳领域,国内外学者开展了广泛的研究,取得了一系列研究成果。其中,传统的基于时间片段的检测方法,没有考虑到疲劳的动态生成特性问题;基于动态决策模型的驾驶疲劳检测,其数据精细程度对模型检测准确性有不同影响。为此,本文以提高疲劳辨识准确率为目标,基于GM-HMM提出了一种驾驶疲劳检测方法,并对所构建的算法模型进行了有效性对比验证。基于本文的研究目标及思路,其主要工作内容包括:(1)驾驶员疲劳特征参数的优选及数据库构建通过相关的调研分析,疲劳驾驶时其生理信号会发生显著变化,因此选取EEG信号作为特征数据;为了获取脑电四种基本节律波,选取对高频和低频信号都有较高分辨率小波包变换对原始脑电数据进行处理,构建了多种能量比值。采用灰色关联分析法优选出三种指标,形成了最优特征指标集,完成了驾驶疲劳样本数据库的构建。(2)基于GM-HMM的驾驶疲劳检测模型构建为了提高模型的准确性,解决离散HMM将特征向量离散化带来的信息损失的问题,本文采用高斯混合模型对清醒特征指标和疲劳特征指标分别进行拟合,构建了清醒状态下GM-HMM模型和疲劳状态下GM-HMM模型,采用单因子方差分析法确定了驾驶疲劳检测时间窗长度。(3)模型的测试和对比分析为了对比GM-HMM在检测驾驶疲劳方面的有效性,本文建立了DHMM和逻辑回归模型。基于上述模型,从准确率、灵敏度、特异性三个评价函数进行评价,结合ROC曲线,对三种模型进行对比分析,结果表明,本文提出的GM-HMM,对驾驶疲劳动态生成具有良好的刻画能力,在数据量较大的情况下,GM-HMM优于离散HMM。本文通过对驾驶疲劳形成过程的特性分析,基于GM-HMM提出了一种驾驶疲劳检测方法。其中,所做的工作重点在于:结合驾驶疲劳的动态生成特性,基于GM-HMM方法构建疲劳检测模型并对模型中的相关重要参数进行合理界定,以提升利用HMM理论进行驾驶疲劳检测的准确性和可靠性。