疲劳驾驶是目前造成交通事故的主要因素之一。脑电(Electroencephalogram,EEG)信号作为精确反映大脑活动的生理指标,它在人员工作状态检测中具有无可比拟的优势,是分析与判断人体是否处于疲劳状态的“金方法”,而脑电信号又是一种非平稳的信号,具有连续性,非周期性,研究在具有这些特征下基于脑电信号的疲劳驾驶状态识别的有效方法是有重要意义和应用价值的。本文主要的工作和创新点如下:(1)提出基于函数型数据分析(Functional Data Analysis,FDA)的脑电信号描述和特征提取的方法。为了使所提取的脑电信号特征能更好地反映信号的连续性,内部动态变化,以及为了挖掘出更丰富的数据信息的需要,本文提出一种基于函数型数据分析的脑电信号描述和特征提取方法,该方法首先将采集到的离散的脑电数据函数化,以此来描述脑电信息的实时连续性以及人体静息与疲劳状态下的脑电信号曲线之间的函数性差异,然后通过提取静息与疲劳状态下曲线极值区间处的脑电信号数据作为特征,旨在用于进行疲劳驾驶状态检测。(2)提出基于函数型数据分析和核主成分分析(Kernel Principal Component Analysis,KPCA)的疲劳驾驶状态识别模型。首先,针对脑电信号的非线性,以及基于函数型数据分析提取的特征维度过高的问题,本文采用KPCA的方法对提取出的特征进行非线性降维。其次,通过选择合适的分类器来构建疲劳驾驶状态的识别模型。最后,在基于模拟驾驶器采集到的数据集上进行测试,结果表明所提出的基于函数型数据分析和KPCA的疲劳驾驶状态识别方法具有很理想的识别率。(3)方法的稳定性和应用方便性的研究分析。现有的基于脑电信号疲劳驾驶状态识别在电极个数上一般是采用全电极,这种方法在实际应用是有难度的,也是不方便的。为此,本文通过采用两种选择电极个数进行模型测试,一方面是检验所提取特征有效性和方法稳定性测试,另一方面是为实际应用的方便性和可行性进行探讨研究。本文分别选取全电极、组合电极的脑电数据进行测试,实验结果表明本文所提的方法具有较好的识别效果以及稳定性。