疲劳驾驶是导致交通事故的主要原因,对驾驶员疲劳状态进行判断并及时发出疲劳预警,对减少由疲劳驾驶所引发的交通事故具有重要意义。本文针对驾驶员疲劳监测技术的研究现状及实际应用需求出发,开展了模拟疲劳驾驶实验,采用实验研究与理论相结合的方法研究了人体生理信号与驾驶员疲劳之间的关系,具体研究内容如下:1.基于模拟驾驶实验平台,实时同步采集驾驶员驾车过程中面背压力、脉搏血氧和心率等特征数据,利用基于疲劳量表的驾驶员自我评定、他人的客观疲劳评定及PVT测试三者相结合的方法建立疲劳判定标准,对采集数据实现疲劳和清醒两种状态下的分类。2.基于面背压传感器的无仪器佩戴驾驶员呼吸信号提取方法的研究,选取256个背靠压力测试点中最大压力点进行三次样条插值处理,并与从脉搏血氧中提取出的呼吸信号进行相关性分析,得到背靠压力信号中蕴藏呼吸波的结论。该方法既确保了呼吸信号的准确性,又为实现无仪器佩戴式疲劳监测提供了重要的参考依据。3.对不同驾驶状态下呼吸周期、呼吸幅值、心率、脉搏血氧等特征的变化规律以统计学方法进行研究,采用单因素实验设计的方法,分别定量研究不同驾驶状态下、不同时间窗内各特征参数的平均值和标准差之间的差异性,筛选出最优时间窗内驾驶员疲劳特征参数。4.基于粗糙集的最有效疲劳特征的提取。根据提取的最优时间窗下的疲劳特征参数建立对应疲劳属性的决策表,基于信息熵的离散化断点规则对数据进行离散化并建立差别矩阵,进行疲劳特征参数的属性约简,获得最有效的疲劳决策属性集,不仅避免了疲劳特征属性重复提取,也提高了疲劳判定准确率。5.基于D-S理论的疲劳决策级信息融合。首先通过对最有效生理特征数据运用、训练模糊神经网络,然后将相关专家的经验判断和采集的模糊信息一并融入疲劳决策过程,将其输出的结果归一化后设置为基本概率函数,最后采用D-S进行组合决策识别疲劳状态。先使用模糊神经网络提取驾驶疲劳信息特征,再用D-S融合,充分利用了疲劳驾驶特征的信息,很大程度上提高了决策准确率,同时避免了分析单一疲劳驾驶特征进行疲劳识别的片面性和模糊性。