基于神经网络的非接触式疲劳驾驶检测已成为当前针对疲劳驾驶检测领域炙手可热的研究方向。它有效解决了接触式疲劳检测方法给驾驶员带来的干扰以及单一信号源对于反映疲劳程度可靠性低的问题,同时通过设计神经网络模型对多源信息进行分类,实现对疲劳状态的高精度和高速度的检测。选取合适的特征值对网络检测准确率以及准确反映疲劳程度至关重要。基于驾驶员生理信号检测可靠性和准确性较高。但是,通过在身体上贴上电极来采集生理信号仍然会对驾驶员造成干扰。另外生理信号存在不同个体在同一疲劳状态下生理信号差异巨大以及不同个体在不同疲劳状态下生理信号差异微小的问题,直接将原始生理信号的特征值作为网络输入对于分类的精度会降低。因此,对特征值进行预处理是很有必要的。鉴于上述问题,本文提出了一种基于极限学习机的非接触式检测驾驶员疲劳状态的方法,该方法可以有效的提高对疲劳状态的检测准确度。该方法主要包括数据采集、数据处理、数据训练三部分组成。数据采集部分采用多普勒雷达模块采集驾驶员的生理信号;数据处理部分采用专家评测方法对数据分类,并进行预处理和特征提取,在保证数据在误差可控范围内对数据进行特征变换,有效解决个体差异问题。设计正则极限学习机模型RELM(Regularized Extreme Learning Machine)对数据集进行训练,得到用于驾驶员疲劳状态检测的算法模型。本文通过多普勒雷达模块采集驾驶员生理信号,经过后期处理得到驾驶员生理信号原始数据集,将其命名为DOPS(Driver’s Original Physiological Signal)数据集,通过特征变换进一步得到驾驶员生理信号映射数据集,将其命名为DPSR(Driver Physiological Signal Ratio)数据集。本文首先设计RELM算法模型,分别在DOPS数据集和DPSR数据集上进行实验,实验结果显示使用DPSR数据集对疲劳状态的预测精度相较于DOPS数据集提高了17%,证明了对特征值进行变换处理的有效性。为了验证RELM算法在疲劳状态分类方面训练速度快、检测精度高等优越性,笔者还设计了基于批量梯度下降的Momentum神经网络算法模型,在DPSR数据集上进行实验,检测结果RELM在提高训练速度的同时,检测的准确性更高。