近年来,疲劳驾驶是导致交通事故的一个主要原因。目前,专家们已经提出了很多生理指标用于评估驾驶员疲劳等级,脑电信号(Electrocephalogram,EEG)已被证明是检测疲劳等级的最可靠的指标之一。本文提出一种基于三维卷积神经网络(Three-Dimensional Convolutional Neural Network,3D CNN)的分类模型来预测司机的三种疲劳等级,并设计了一款无线可穿戴式疲劳驾驶预警系统,用于实时检测驾驶员的疲劳状态。该系统由三个部分组成:(1)无线可穿戴式脑电采集设备;(2)脑电分析系统;(3)预警装置。第一部分通过无线可穿戴式脑电采集设备便捷地采集司机的脑电信号,并通过无线传输设备发送至脑电分析系统。第二部分首先采用线性滤波器、小波变换和独立成分分析结合的方式对采集到的脑电信号进行预处理;其次通过Welch法计算功率谱密度(Power Spectral Density,PSD),将每个通道的EEG信号转换为特征矩阵;最后将特征矩阵组合成包含空间导联信息的3D特征数据并作为预测模型的输入,由3D CNN算法得出三种疲劳等级。第三部分是预警装置,由智能手环与车载监视系统组成,通过无线传输设备接收预测结果,实时反映司机的疲劳等级,以提醒司机改善驾驶状态。最后,论文对疲劳驾驶预警系统进行了性能测试。10名健康的受试者在模拟驾驶环境中执行90分钟的驾驶任务,其中前60分钟采集的EEG数据用于训练模型,剩于30分钟采集的EEG数据用于测试模型。结果表明,用分类算法预测的疲劳等级与通过反应时间量化的实际疲劳等级基本一致,证明了我们提出的疲劳检测系统的可行性。