随着我国人均GDP迈上一万美元的台阶,人民对美好生活的向往以及科学技术的发展,汽车也成为人们热衷的交通工具,我国汽车保有量不断攀升。交通工具数量的急剧增加带来了一个严重的社会问题就是交通事故急剧增加,惨烈的事故有增无减。通过研究发现疲劳驾驶是造成交通事故的重要原因,所以,研究疲劳驾驶造成的原因,筛选客观且误差小的检测参数,探索高效、准确、实时的疲劳驾驶检测方案,有助于降低道路交通安全风险,从而保障人民群众的生命和财产安全。本文通过基于驾驶员生理(点头、心率、握力)特以及驾驶行为特征的疲劳驾驶识别方法探求,采集了驾驶人及车辆的特征指标,结合数据融合技术,构建了实时检测疲劳驾驶算法与系统。主要做了以下工作:(1)选择实验方式,制定实验方案,选择了十名长安大学的本科或硕士在校学生通过长安大学模拟驾驶平台做了模拟疲劳驾驶实验,采集了实验人员生理(点头、心率、握力)特征和车辆行为特征的数据,事先对数据进行了处理,最终得到了一个样本库。(2)采用统计学方法对正常驾驶状态和疲劳驾驶状态下驾驶员驾驶表现的波动情况进行了研究。详细研究了方向盘转角、车速及加速度的变化规律;对于司机的生理状况,主要分析了在正常和疲劳状态下点头、心率、握力的指标。通过对驾驶时间的划分,采集特定时刻的数据并定量研究了特征指标的差异显著水平。分析之后挑出的司机生理特征参数有点头频率HNR、心率绝对均值HRVM、心率变异性标准差HRVSTD、握力均值FM和握力标准差FSTD。驾驶行为指标包含:方向盘转角绝对均值SAM,转角标准差SASTD、方加速度均值AM和标准差ASTD。(3)归纳总结了数据融合技术适用的场景,择优选择了BP神经网络算法。紧接着讲了建立识别模型的步骤,接下来通过Matlab软件的神经网络工具箱选取样本集对模型进行训练和验证,得出了在正常驾驶和疲劳驾驶状态下80.9%、79.2%的平均识别准确率。这种识别准确率是可以在疲劳驾驶检测中使用,同时也提供了疲劳检测的新方案。