疲劳驾驶是造成交通事故的重要原因之一,对社会公共安全和人们的生命财产造成了严重威胁。因此,研究疲劳状态检测方法,对遏制疲劳驾驶、改善我国交通环境具有重大的意义。针对单一的检测标准很容易受到外界环境变化的干扰,同时为了进一步提高模型的准确度和泛化性。本文基于融合脑电和眼电信号利用深度学习和迁移学习等机器学习方法对驾驶员的疲劳状态进行检测,充分挖掘两种信号特征的互补信息。围绕着融合信号特征提取方法、不同脑区脑电特征选择和眼电特征选择等一系列核心问题展开研究。本文主要研究内容包括:(1)脑电和眼电信号预处理:为了降低数据的复杂度,将原始信号降采样到200Hz;利用快速独立成分分析算法将前额脑电信号从前额电极信号中分离出来;将脑电信号通过一个0～75Hz的带通滤波器去除伪迹和噪声;将前额眼电信号通过一个0～30Hz带通滤波器进行滤波处理。(2)脑电和眼电信号特征提取:利用短时傅里叶变换分别计算25频带和5频带功率谱密度和微分熵特征,并通过线性动力系统平滑算法对特征进行平滑。利用减法规则分离水平眼电信号,独立成分分析分离垂直眼电信号;利用连续小波变换和峰值检测法对水平眼电和垂直眼电信号提取眨眼、扫视和注视等眼动特征。(3)驾驶疲劳检测网络迁移模型:为了提高驾驶疲劳状态检测方法的准确度和泛化性问题,针对基于脑电、眼电信号的疲劳状态检测模型训练中的个体差异影响,搭建一维完全卷积神经网络(1DCCNN)迁移模型,选取多个个体样本各状态(清醒、疲劳、困倦)相对均衡的样本训练预训练模型,然后将预训练模型特征提取部分微调用于其他个体的训练和测试。通过采用上海交通大学仿脑计算与机器智能研究中心的疲劳警觉度估计数据集SEED-VIG进行实验验证。分别对不同区域的脑电信号特征、眼电信号特征和将脑电和眼电信号特征融合进行实验。实验结果表明本文所提出的1DCCNN迁移模型具有较优的分类能力。