为了建立有效且可靠的疲劳驾驶检测模型,我们需要采集来自司机或是车辆的多模态的信号,分析司机不同状态下的信号模式差异,为此我们需要为这些驾驶数据标注司机相应的疲劳度。在众多能够较为有效地反映司机疲劳水平的信息来源中,人的眼动信息是最容易在司机驾驶过程中获取的信号之一。因此,在真实驾驶环境下,基于眼动数据的疲劳度标注方法研究,对于建立疲劳驾驶检测模型具有重要的意义。在基于眼动信息的疲劳驾驶研究中,PERCLOS(单位时间闭眼时长比例)被广泛地认为是一种能够有效检测疲劳驾驶的方法,其值的大小与司机的疲劳水平有显著的关系。我们使用眼动仪眼镜所提供的眼动参数对PERCLOS进行了计算,并使用基于眼睛视频的计算方法进行了计算精度的有关验证。我们认为基于眼动数据的PERCLOS可以作为评估疲劳检测算法的参考依据,将其作为对司机疲劳水平的粗略估计。为此,我们进行了多组基于眼动数据的警觉度实验,使用某个已被验证较为有效的基于眼电的疲劳检测算法对实验数据进行分析,以PERCLOS作为对被试疲劳水平的估计值从实验数据中学习疲劳检测模型,然后使用测试数据进行预测分析。通过对实验结果的分析,我们认为PERCLOS的大小能够一定程度地反映被试的疲劳水平,但是我们不能够完全依赖它对驾驶数据进行疲劳度的标注。我们认为当PERCLOS足够小时,司机一定处于清醒状态,而当PERCLOS处于一个较高的水平时,司机一定处于疲劳状态,而当PERCLOS处于这两者之间,我们不能单纯依赖PERCLOS的大小判断司机的状态,即模糊状态。当司机处于不同状态时,他的很多眼动特征存在一定的模式差异,我们可以利用这些差异去分析模糊状态的眼动数据,其眼动特征的模式更接近哪个状态的眼动特征,就将相应数据标注为相应的状态。我们从眼动仪眼镜提供的眼动参数提取了四类眼动特征,包括眨眼,注视,扫视以及扫视序列模式重复性特征。通过mRMR(最小冗余最大相关)等特征选择算法,筛选出能够有效区分被试不同状态的眼动特征,使用支持向量机模型从眼动数据中学习被试不同状态下的眼动特征模式差异。从对测试数据的分类结果来看,我们训练的模型能够有效地区分不同状态的眼动数据,因此,我们有理由相信对于模糊状态下的眼动数据,该方法能够合理地标注被试的状态。