题目：驾驶员疲劳状态特征提取与信息融合检测方法研究

驾驶员（操作员）疲劳是造成重大交通和工业事故的重要原因之一。利用驾驶员的一些生理和驾驶行为特征对驾驶员的疲劳状态进行检测和预报，对于保证人们的生命和财产安全具有重要的意义。由于驾驶疲劳是一个难以准确描述的状态量，当前的检测技术尚不能实现对其进行直接的客观测量，因此只能利用某些生理、心理或行为信息对驾驶员疲劳状态的变化进行反映。但通常利用单一特征指标仅能够从某一个侧面反映驾驶疲劳状态，包含的信息量较小，使得依赖单一特征指标的驾驶疲劳检测和预报结果的精确性和可靠性较低。此外，在研究驾驶员疲劳状态变化规律时，主观的疲劳检测和评价方法受个体差异的影响较大并且依赖于主观评价，难以实现对疲劳状态变化规律进行客观的描述。针对当前驾驶疲劳检测研究中存在的不足，从两方面开展了工作：一是重点研究了驾驶疲劳信息的特征提取与信息融合技术，分析了驾驶疲劳的特征，研究了对驾驶疲劳的特征信息进行提取的方法，利用不同疲劳特征提供的互补或冗余信息，采用多种信息融合方法建立驾驶疲劳状态检测模型，提高了疲劳检测和预报的精确性和可靠性；二是以试验数据为基础，从研究在疲劳状态变化的过程中疲劳特征间存在的特定数学关系上入手，建立了一种疲劳状态检测与评价的新的客观方法。主要研究内容如下：研究了从驾驶员生理信号中有效提取各种疲劳特征的方法。针对脑电波（EEG）是一种具有较强非高斯性的微弱信号的特点，提出一种联合独立分量分析和小波包分析的EEG信号疲劳特征提取方法。该方法利用独立分量分析去除EEG信号包含的眼电，肌电等伪迹；对去伪后的EEG信号利用小波包分解计算其不同主导节律波的能量作为疲劳特征。对提取的EEG疲劳特征与疲劳状态的相关性进行了统计分析。提出利用一种微分法从眼电（EOG）信号获取各种眨眼特征参数的算法，对眨眼特征参数随疲劳程度增加呈现出的变化趋势进行了统计分析。提出了能反映驾驶员疲劳状态的凝视方向变化角度的计算方法以及从眼睑睁开幅度数据中计算眨眼持续时间的方法。偏最小二乘回归方法是一种处理变量间多元共线性关系的有效方法。针对从脑电和眼电信号中提取出的疲劳特征间存在多元共线性的特点，提出了一种基于偏最小二乘回归的疲劳状态检测的融合模型。该模型根据每个疲劳特征重要性的大小为它们赋予相应大小的权重，实现了对驾驶员疲劳程度和多个疲劳特征间的量化关系描述。利用试验数据证实了该模型对于驾驶疲劳变化趋势的预测和评估具有较高的精确性和可靠性。由于多元疲劳特征除了存在多元共线性的特点外，在描述驾驶员的疲劳状态时还具有一定的模糊性，本文提出了一种基于偏最小二乘回归改进的模糊线性回归方法并将其用于驾驶员疲劳状态检测的建模。该方法通过对回归系数模糊化弱化模型参数对原始数据准确度的依赖；通过给出模型输出值的变化区间，使结果更科学、合理，更接近驾驶员疲劳状态变化的本质特征。D-S证据理论是一种处理驾驶疲劳特征不确定性的有效方法。利用视频传感器获取的眨眼持续时间，凝视方向变化角度以及驾驶横向标准偏差等特征建立了一种能实现非接触式的对驾驶员疲劳状态进行检测的融合推理模型。利用试验数据验证了模型的有效性。从研究在疲劳状态变化的过程中疲劳特征间存在的数学关系入手，通过对大量试验数据进行统计分析，提出了典型眨眼特征参数间满足的数学关系，以其作为一种先验知识，提出了一种二级融合模型以实现对驾驶疲劳状态客观的、高精度的和高可靠性的检测。利用驾驶模拟仿真试验数据，证实利用该方法对驾驶员疲劳状态进行检测得到的结果与Karolinska疲劳评级（KDS）间具有较好的一致性，证明了该方法的应用前景。