CN103989471A - 一种基于脑电图识别的疲劳驾驶检测***及方法 - Google Patents

Abstract

本发明提供一种基于脑电图识别的疲劳驾驶检测***及方法，包括惯性测量单元、脑电采集单元、处理器单元和上位机；惯性测量单元固定到方向盘的正中央，用于测量方向盘旋转角度；脑电采集单元由受试者佩戴，用于采集受试者的EEG信号；上位机用于根据惯性测量单元测量的方向盘旋转角度和脑电采集单元采集的EEG信号进行疲劳驾驶检测，并将检测结果发送到处理器单元；处理器单元用于接收疲劳驾驶检测结果，通过无线方式将接收到的检测结果经移动基站发送到上位机控制中心。本发明利用共空间模式和小波包变换，通过采集驾驶过程中被试者EEG信号和方向盘驾驶操作信息建立基于脑电图识别的疲劳驾驶状态评估模型，使驾驶疲劳检测更加准确。

Description

一种基于脑电图识别的疲劳驾驶检测***及方法

技术领域

本发明属于数字信号处理技术领域，具体涉及一种基于脑电图识别的疲劳驾驶检测***及方法。

背景技术

随着我国城市化和机动化水平的不断提高，安全已成为道路交通方面日益严峻的问题。在交通运输***中，疲劳驾驶是严重交通事故的主要原因，对大量交通事故的致因分析表明，在驾驶疲劳中，驾驶员的感知疲劳、判断决策疲劳是肇发交通事故的主要原因。

疲劳驾驶是汽车行驶安全的重大隐患，其检测方法的研究对于交通安全状况的改善有重要意义。目前针对疲劳驾驶的检测方法主要分为主观检测法和客观检测法。主观检测方法主要通过主观调查表、驾驶员自我记录表、斯坦福睡眠尺度表和皮尔逊疲劳量表等评定，该方法无法进行疲劳驾驶的实时检测且对驾驶员依赖程度较高。客观检测方法的研究主要集中在三个方面：(1)基于驾驶员行为特性的监测。通过对驾驶员行为的监测来判断驾驶员的疲劳状态，如眼睑的活动、眼睛闭合、面部表情等。其检测方法简单易行，但评分标准不易统一，受个人行为、光线、图像采集角度等条件的影响，导致检测***不能始终如一正确地报告驾驶员疲劳状态。(2)基于车辆参数的监测。通过对驾驶过程中车辆参数的检测来判断驾驶员的操作指标进而判断其疲劳程度，如车速、车辆位置、方向盘转动频率等。由于车辆参数与实际驾驶质量密切相关，这种方法更加贴近实际驾驶状况，但实际运行过程中需要测量车辆参数，增加了车辆成本。(3)基于驾驶员生理参数测量的监测。通过检测驾驶员生理特征判断其疲劳状态，如心电图、脑电图、眼电图、肌电图、呼吸效果等。由于脑电信号包含了丰富的信息并直接反映了驾驶员的大脑活动状况，脑电采集装置越来越便捷且价格不断下降，因此利用脑电信号判断驾驶疲劳被公认为是最准确、最客观的分析方法。但是目前大部分疲劳检测实验要求被试者静坐闭眼，注意力不容易集中且与驾驶环境相差比较大，且在***训练过程中需要被试者主观评价自己的疲劳状态，这样实验结果对被试者的依赖性较大。

综上所述，传统的疲劳检测方法存在很多弊端，无法十分准确高效的检测驾驶员的疲劳程度。

发明内容

针对现有技术存在的不足，本发明提供一种基于脑电图识别的疲劳驾驶检测***及方法。

本发明的技术方案是：

一种基于脑电图识别的疲劳驾驶检测***，包括惯性测量单元、脑电采集单元、处理器单元和上位机；

惯性测量单元固定到方向盘的正中央，用于测量方向盘旋转角度；

脑电采集单元由受试者佩戴，用于采集受试者的EEG信号；

上位机用于根据惯性测量单元测量的方向盘旋转角度和脑电采集单元采集的EEG信号进行疲劳驾驶检测，并将检测结果发送到处理器单元；

处理器单元用于接收疲劳驾驶检测结果，通过无线方式将接收到的检测结果经移动基站发送到上位机控制中心。

所述处理器单元包括处理器、语音模块、GPS模块、GPRS模块和SIM卡；GPS模块、GPRS模块通过串口与处理器连接，SIM卡***GPRS模块，处理器通过串口与上位机连接。

采用所述的***进行疲劳驾驶检测的方法，包括如下步骤：

步骤1：通过采集驾驶过程中被试者的EEG信号和方向盘驾驶操作信息，确定驾驶疲劳状态与驾驶员方向盘操作数据的关系，并建立基于脑电图识别的疲劳驾驶状态评估模型；

步骤1.1：采集驾驶过程中被试者在清醒状态、疲劳状态及非常疲劳状态下的EEG信号及相应方向盘驾驶操作信息；方向盘驾驶操作信息包括零速百分比和角度标准差；

零速百分比表征所选时间内方向盘不动的程度，角度标准差表征所选时间内方向盘转角的变动水准，零速百分比PNS＝n/N，N为时间范围内的方向盘旋转角度总采样点数，n为时间范围内的方向盘旋转角度总采样点数中角速度在±1°/s之间的采样点个数；

角度标准差其中，x_i为时间范围内的方向盘旋转角度数值；

步骤1.2：利用小波包对被试者的EEG信号进行重构，利用共空间模式方法对重构的EEG信号进行特征提取，得到EEG信号的特征向量；

步骤1.2.1：基于小波包变换进行EEG信号特征提取，重构出自发脑电节律；

步骤1.2.2：对自发脑电节律进行基于共空间模式的EEG信号特征提取，得到EEG信号的特征向量；

步骤1.3：确定疲劳驾驶状态与驾驶员方向盘操作数据的对应关系；

步骤1.4：采用支持向量机建立基于脑电图识别的疲劳驾驶状态评估模型，该模型的输入为被试者在清醒状态、疲劳状态及非常疲劳状态下的EEG信号的特征向量，该模型的输出为被试者的疲劳驾驶状态，即清醒状态、疲劳状态及非常疲劳状态；

步骤2：实时采集驾驶过程中被试者的EEG信号和方向盘驾驶操作信息，并根据基于脑电图识别的疲劳驾驶状态评估模型进行疲劳驾驶状态评估；

步骤3：处理器通过无线方式将疲劳驾驶评估结果和被试者所在位置信息发送给上位机控制中心，同时语音模块发出语音提示。

有益效果：

本发明利用共空间模式和小波包变换的优点，设计了基于脑电图识别的疲劳驾驶检测的***及方法，通过采集驾驶过程中被试者的EEG信号和方向盘驾驶操作信息，确定驾驶疲劳状态与驾驶员方向盘操作数据的关系，并建立基于脑电图识别的疲劳驾驶状态评估模型，避免了被试者主观评价疲劳的环节，使驾驶疲劳检测更加准确。

附图说明

图1是本发明具体实施方式的基于脑电图识别的疲劳驾驶检测***结构示意图；

图2是本发明具体实施方式的基于脑电图识别的疲劳驾驶检测方法流程图；

图3是本发明具体实施方式的驾驶者清醒状态下的四种节律波形图；

图4是本发明具体实施方式的驾驶者疲劳状态下的四种节律波形图；

图5是本发明具体实施方式的驾驶者非常疲劳状态下的四种节律波形图；

图6是本发明具体实施方式的不同疲劳状态下EEG特征向量分布图；

图7是本发明具体实施方式的疲劳驾驶状态与驾驶员方向盘操作数据的对应关系示意图；

图8是本发明具体实施方式的S3C2440处理器原理图；

图9是本发明具体实施方式的GPRS模块及***电路原理图；

图10是本发明具体实施方式的GPS模块原理图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

如图1所示，基于脑电图识别的疲劳驾驶检测***，包括惯性测量单元、脑电采集单元、处理器单元和上位机；

惯性测量单元固定到方向盘的正中央，用于测量方向盘旋转角度；本实施方式采用MTi惯性测量单元。

脑电采集单元采用Emotiv脑电采集装置，是一个无线头盔，采样频率为128HZ，通过14个传感器检测脑部电信号，由受试者佩戴，用于采集受试者的EEG信号；

上位机用于根据惯性测量单元测量的方向盘旋转角度和脑电采集单元采集的EEG信号进行疲劳驾驶检测，并将检测结果发送到处理器单元；

处理器单元用于接收疲劳驾驶检测结果，通过无线方式将接收到的检测结果经移动基站发送到上位机控制中心。

处理器单元包括处理器、语音模块、GPS模块、GPRS模块和SIM卡；GPS模块、GPRS模块通过串口与处理器连接，SIM卡***GPRS模块，处理器通过串口与上位机连接。

处理器选用S3C2440A，如图8所示，S3C2440处理器是Samsung公司基于ARM公司的ARM920T处理器核，为32位微控制器。该处理器拥有：独立的16KB指令Cache和16KB数据Cache，MMU，支持TFT的LCD控制器，NAND闪存控制器，3路UART，4路DMA，4路带PWM的Timer，I/O口，RTC，8路10位ADC，Touch Screen接口，IIC-BUS接口，IIS-BUS接口，2个USB主机，1个USB设备，SD主机和MMC接口，2路SPI。S3C2410处理器最高可运行在203MHz。其丰富的功能单元为***功能的实现及以后的升级拓展提供了保障。

GPRS模块选用ATK-SIM900，如图9所示，其板载SIMCOM公司的工业级双频GSM/GPRS模块：SIM900A，工作频段双频900/1800Mhz，可以低功耗实现语音、SMS(短信，不支持彩信)、数据和传真信息的传输。ATK-SIM900A模块支持RS232串口和LVTTL串口，并带硬件流控制，支持5V～24V的超宽工作范围，使得模块方便连接。内嵌TCP/IP协议，支持TCP/UDP通信，支持FTP/HTTP服务。支持CSD(电路交换)传输速率：2.4/4.8/9.6/11.4kps。下行传输速率最大85.6kps，上行传输速率最大42.8kps。具有性能稳定，价格适中的特点，并且体积较小，便于集成。整个GPRS***包括SIM900A，电源接口，RS232串口接口，SIM卡接口，天线接口。

GPS模块选用ATK-NEO-6M集成模块，如图10所示，其通过串口与外部***连接，串口波特率支持4800、9600、19200、38400(默认)、57600、115200、230400等不同速率，兼容5V/3.3V单片机***。基本参数如下：

定位精度：2.5mCEP；

接收特性：50通道，GPS L1(1575.42Mhz)；

更新速率：最大5Hz；

捕获追踪灵敏度：-161dBm；

语音模块选用的型号为WT588D-U，采用WT588D-20SS语音芯片作为主控芯片；工作电压为DC2.8V-5.5V，休眠电流小于10Ua；支持2M-32M容量的SPI-FLASH；内置13bit/DA转化器、以及12bit/PWM音频处理，音质较高；支持加载6K-22KHz采样率WAV音频；并且PWM输出可直接推动0.5瓦/8欧姆扬声器，电路简单稳定；支持DAC/PWM两种输出方式，可直接IO触发控制；可直接USB下载信息；抗干扰性能强，广泛应用在工业领域。

处理器把上位机的疲劳驾驶检测结果及位置信息实时的上传至上位机控制中心，从而使上位机控制中心实时掌握驾驶员的精神状态及所处位置信息，进而向驾驶员发出一定的提示信息，给道路交通提供安全保障。处理器单元中的GPRS模块有如下的优点：GSM网络基站覆盖范围广泛；GPRS网络搭建及应用技术已经相当成熟；瞬间上网，永远在线；快速传输，保证数据的实时性；按流量计费，成本较低。

上位机把采集并处理得到的检测结果数据通过RS232串口发送给MCU，同时GPS模块把数据通过串口传回MCU，MCU对GPS模块的数据提供滤波处理转化为位置信息，MCU把上位机数据和位置信息通过串口发送至GPRS模块，GPRS模块把数据发送出去，上位机控制中心通过GPRS模块接受信息并做出应答。

上位机通过GPRS模块接收上位机控制中心的信号，通过串口把信息发送给MCU，MCU通过判断是否有应答信号，确定是否发送成功，并对上位机控制中心的信息进行处理，从而控制语音模块发声。

采用所述的***进行疲劳驾驶检测的方法，如图2所示，包括如下步骤：

步骤1：通过采集驾驶过程中被试者的EEG信号和方向盘驾驶操作信息，确定驾驶疲劳状态与驾驶员方向盘操作数据的关系，并建立基于脑电图识别的疲劳驾驶状态评估模型；

步骤1.1：采集驾驶过程中被试者在清醒状态、疲劳状态及非常疲劳状态下的EEG信号及相应方向盘驾驶操作信息；方向盘驾驶操作信息包括零速百分比和角度标准差；

零速百分比表征所选时间内方向盘不动的程度，角度标准差表征所选时间内方向盘转角的变动水准，零速百分比PNS＝n/N，N为时间范围内的方向盘旋转角度总采样点数，n为时间范围内的方向盘旋转角度总采样点数中角速度在±1°/s之间的采样点个数；

角度标准差其中，x_i为时间范围内的方向盘旋转角度数值；

步骤1.2：利用小波包对被试者的EEG信号进行重构，利用共空间模式方法对重构的EEG信号进行特征提取，得到EEG信号的特征向量；

小波包分析是非常有效的一种把时间域和频率域结合起来的时频分析方法，在时频域都具有表征信号局部特征的能力，因此在EEG信号的特征提取中得到了较多的应用。

步骤1.2.1：基于小波包变换进行EEG信号特征提取，重构出自发脑电节律；

假设原始信号为X，采样频率为f_s，分解层数为j＝1,2,3,…,Aji为第j层第i个小波包节点信号，i＝0,1,2,…,2j-1。用φ(t)和Ψ(t)分别表示小波变换的尺度函数和小波母函数，设h(n)是正交尺度函数φ(t)对应的低通滤波器，g(n)是正交小波函数Ψ(t)对应的高通滤波器，其中g(n)＝(-1)^1-nh(1-n)，则它们满足以下两尺度方程和小波方程：

${\mathrm{\ψ}}_{j,k}^{2j}\left(t\right)=\frac{1}{\sqrt{2}}{\mathrm{\ψ}}^{2i}\left(\frac{2^{j}k-t}{2^j}\right)=\underset{n}{\mathrm{\Σ}}h\left(n\right){\mathrm{\ψ}}_{j-\mathrm{1,2}k-n}^i\left(t\right)$

${\mathrm{\ψ}}_{j,k}^{2i+1}\left(t\right)=\frac{1}{\sqrt{2}}{\mathrm{\ψ}}^{2i+1}\left(\frac{2^{j}k-t}{2^j}\right)=\underset{n}{\mathrm{\Σ}}g\left(n\right){\mathrm{\ψ}}_{j-\mathrm{1,2}k-n}^i\left(t\right)---\left(1\right)$

信号f(t)在第j级、k点处的小波包分解系数可以用(2)表示。

$d_j^{2i}\left(t\right)=\∫f\left(t\right){\mathrm{\ψ}}_{j,k}^{2i}\left(t\right)\mathrm{dt}=\underset{n}{\mathrm{\Σ}}h\left(n\right)d_{j-1}^i(2k-n)$

$d_j^{2i+1}\left(t\right)=\∫f\left(t\right){\mathrm{\ψ}}_{j,k}^{2i+1}\left(t\right)\mathrm{dt}=\underset{n}{\mathrm{\Σ}}g\left(n\right)d_{j-1}^i(2k-n)---\left(2\right)$

本实施方式选择与脑电信号最为相似的db10小波对原始EEG信号做小波包变换以提取各个导联的四种节律波。Emotiv脑电帽的采样频率为128Hz，由采样定理知待分析的脑电信号的频带宽是64Hz。根据四种节律波的频率总范围为0～30HZ，设定小波包分解层数为6层，EEG信号经过小波包分解后共得到64个子频带，每一个小波包节点对应着一个子频带。四种节律波与小波包节点信号的对应关系如下：

delta波：1～4HZ([61][63][62])

theta波：4～8HZ([67][66][64][65])

alpha波：8～13HZ([615][614][612][613][68])

beta波：14～30HZ([69][611][610][630][631][628][629][624][625][627][626][616][617][619][618][623][622])

由于从清醒状态像疲劳状态变化的过程中，delta波和theta波增加，alpha波和beta波降低，因此可利用小波包分析方法重构出4种自发脑电节律作为疲劳检测的特征向量,不同状态下4种自发脑电节律波形如图3、图4、图5所示。

步骤1.2.2：对自发脑电节律进行基于共空间模式的EEG信号特征提取，得到EEG信号的特征向量；

共空间模式(common spatial pattern，CSP)方法通过设计特殊的空间滤波，对各个导联数据进行组合，可以得到很少的特征点组成特征向量，这些特征点包含了各个导联间的权值，提供各导联间的相互信息。

假设原始单次实验的EEG数据被表示为N×T的矩阵E，其中N是导联数，T是每一个导联的采样点数。共空间模式把N×T矩阵的每一列视为N维空间的一个点，T个N维空间的点构成了一个点云。被试者执行不同任务时，产生的EEG信号构成的点云呈现出不同的空间分布特点。CSP的目的就是要找到一个线性变换，把两个不同任务的点云映射到另一个空间上，使得两个不同任务的点云在空间分布上的差别最明显。

进行基于共空间模式的EEG信号特征提取的过程如下：

步骤1.2.2.1：求每一类别的平均规则化协方差矩阵C；

$C=\frac{{\mathrm{EE}}^{\′}}{\mathrm{trace}\left({\mathrm{EE}}^{\′}\right)}---\left(3\right)$

其中，C是EEG的规则化空间协方差，E'是矩阵E的转置，trace(EE')表示矩阵EE'的对角元素的和。

步骤1.2.2.2：求共协方差矩阵平均值并根据(5)对其进行特征值分解；

${\stackrel{\‾}{C}}_c=\stackrel{\‾}{C_l}+\stackrel{\‾}{C_r}---\left(4\right)$

其中，是空间协方差混合平均值，和分别代表清醒、疲劳和非常疲劳三种驾驶状态中的两种状态所对应的EEG数据的协方差平均值。

$\stackrel{\‾}{C_c}=U_c{\mathrm{\λ}}_c{U_c}^{\′}---\left(5\right)$

其中，U_c是特征向量矩阵，U_c'是特征向量矩阵的逆矩阵，λ_c是特征值构成的对角阵。

步骤1.2.2.3：求白化矩阵P；

P(C_l+C_r)P^T＝I              (6)

$P=\sqrt{{\mathrm{\λ}}_c^{-1}}{U_c}^{\′}---\left(7\right)$

其中，I为单位矩阵。

步骤1.2.2.4：求矩阵S_l并对其进行特征值分解，将特征值按降序排列，取前m个最大的特征值对应的特征向量作为类别1的新特征向量，后m个最小的特征值对应的特征向量作为类别2的新特征向量；

S_l＝PC_lP'

S_r＝PC_rP'＝1-S_l             (8)

其中，S_l是一种驾驶疲劳状态下EEG数据的方差(作为类别1)，S_r是另一种驾驶疲劳状态下EEG数据的方差(作为类别2)。假设S_l的特征向量和对应的特征值组成的对角阵分别表示为B和λ_l，则

$S_{l}B=B{\mathrm{\λ}}_l\⇒(1-S_r)B=B{\mathrm{\λ}}_l\⇒S_{r}B=B(1-{\mathrm{\λ}}_l)---\left(9\right)$

其中，B是S_r的特征向量，对应的特征值组成的对角阵为1-λ_l。

步骤1.2.2.5：将前m个最大和后m个最小的特征值对应的特征向量记为B11和B12，分别表示两类别的不同的最优方向，根据式(10)求最优滤波器W；

W＝[B₁₁ B₁₂]^TP            (10)

其中，W的大小为2m×N。

步骤1.2.2.6：将新的EEG数据投影到新的空间，生成一个新的EEG数据Z；

Z＝W×E_k              (11)

其中，Z的大小为2m×T。

步骤1.2.2.7：提取Z的行向量的方差作为新的EEG数据的特征；

对产生的新信号Z的行取方差再进行取对数和规范化处理为特征，得到

$f_{k,p}=\log \left(\frac{{\mathrm{var}}_p}{\underset{k=1}{\overset{2m}{\mathrm{\Σ}}}{\mathrm{var}}_k}\right),p=\mathrm{1,2},...,2m---\left(12\right)$

一次试验的特征向量f_k,p的大小为1×2m，对于n次试验的特征矩阵为f＝[f_1,p；f_2,p；...；f_n,p]，大小为n×2m。

本实施方式选择m＝2，分别求取三类别14导联的自发节律EEG信号数据的规则化空间协方差，分别利用公式(3)～(11)的变换，可以得到1个共空间滤波器。对自发节律EEG信号数据进行空间滤波，提取12维特征向量，作为不同疲劳驾驶状态EEG的信号特征向量。将特征向量的前三列数据图形化，如图6所示。

本实施方式选择与脑电信号最为相似的db10小波对原始EEG信号做小波包变换以提取各个导联的四种节律波。Emotiv脑电帽的采样频率为128Hz，由采样定理知待分析的脑电信号的频带宽是64Hz。根据四种节律波的频率总范围为0～30HZ，设定小波包分解层数为6层，EEG信号经过小波包分解后共得到64个子频带，每一个小波包节点对应着一个子频带。四种节律波与小波包节点信号的对应关系如下：

delta波：1～4HZ([61][63][62])

theta波：4～8HZ([67][66][64][65])

alpha波：8～13HZ([615][614][612][613][68])

beta波：14～30HZ([69][611][610][630][631][628][629][624][625][627][626][616][617][619][618][623][622])

步骤1.3：确定疲劳驾驶状态与驾驶员方向盘操作数据的对应关系；

根据现有研究，可以得到车辆参数与疲劳状态间关系为：当零速百分比和角度标准差都较小时为清醒状态；当零速百分比较大而角度标准差较小时为疲劳状态；当零速百分比和角度标准差都较大时为非常疲劳状态。本发明中模拟驾驶实验验证了该结论的正确性。本发明从模拟驾驶实验中可以得到上述反向盘操作参数，利用图7中方向盘操作参数与疲劳状态间的关系即可得出驾驶员疲劳状态。

使用零速百分比和角度标准差两个指标检测方向盘修正频度的幅度两个特征，根据式(13)可计算PNS，根据(14)可计算sigma。本实施方式中将得到的8组驾驶数据，去掉数据中的最大值和最小值以减少特殊值出现概率。受试者1在不同状态下的方向盘特征数据如下所示：

表1不同状态下的方向盘特征数据

步骤1.4：采用支持向量机建立基于脑电图识别的疲劳驾驶状态评估模型，该模型的输入为被试者在清醒状态、疲劳状态及非常疲劳状态下的EEG信号的特征向量，该模型的输出为被试者的疲劳驾驶状态，即清醒状态、疲劳状态及非常疲劳状态；

步骤2：实时采集驾驶过程中被试者的EEG信号和方向盘驾驶操作信息，并根据基于脑电图识别的疲劳驾驶状态评估模型进行疲劳驾驶状态评估；

步骤3：处理器通过无线方式将疲劳驾驶评估结果和被试者所在位置信息发送给上位机控制中心，同时语音模块发出语音提示。

上位机把采集并处理得到的疲劳状态数据通过RS232串口发送给MCU，同时GPS模块把数据通过串口传回MCU，MCU对GPS模块的数据提供滤波处理转化为位置信息，MCU把本地终端数据和位置信息通过串口发送至GPRS模块，GPRS模块把数据发送至上位机控制中心，上位机控制中心通过GPRS模块接受信息并做出回应。

本实施方式利用极品飞车13中竞速赛ALPEN正OL赛道(赛道长度1.际91公里)模拟驾驶环境；利用莱仕达劲驰PXN-步际际有线力反馈方向盘及配套脚踏板来模拟驾驶操作；使用M正i惯性测量单元并将其固定到莱仕达劲驰方向盘的中央来采集方向盘旋转角度信息，利用上述设备对本实施方式的疲劳驾驶检测***及方法进行模拟验证，实验过程中被试者使用模拟驾驶***进行模拟驾驶，同时用Em百tiv脑电采集设备采集受试者的脑电信号，Emotiv脑电采集装置采样频率为128HZ，通过14个传感器检测脑部电信号，结合CSP和小波包变换得到的SVM参数为best c＝8，g＝0.000976563，rate＝85.0575，分类准确率为94.2529％(82/87)。

Claims (3)

1.一种基于脑电图识别的疲劳驾驶检测***，其特征在于：包括惯性测量单元、脑电采集单元、处理器单元和上位机；

惯性测量单元固定到方向盘的正中央，用于测量方向盘旋转角度；

脑电采集单元由受试者佩戴，用于采集受试者的EEG信号；

上位机用于根据惯性测量单元测量的方向盘旋转角度和脑电采集单元采集的EEG信号进行疲劳驾驶检测，并将检测结果发送到处理器单元；

处理器单元用于接收疲劳驾驶检测结果，通过无线方式将接收到的检测结果经移动基站发送到上位机控制中心。

2.根据权利要求1所述的基于脑电图识别的疲劳驾驶检测***，其特征在于：所述处理器单元包括处理器、语音模块、GPS模块、GPRS模块和SIM卡；GPS模块、GPRS模块通过串口与处理器连接，SIM卡***GPRS模块，处理器通过串口与上位机连接。

3.采用权利要求1所述的基于脑电图识别的疲劳驾驶检测***进行疲劳驾驶检测的方法，其特征在于：包括如下步骤：

步骤1：通过采集驾驶过程中被试者的EEG信号和方向盘驾驶操作信息，确定驾驶疲劳状态与驾驶员方向盘操作数据的关系，并建立基于脑电图识别的疲劳驾驶状态评估模型；

步骤1.1：采集驾驶过程中被试者在清醒状态、疲劳状态及非常疲劳状态下的EEG信号及相应方向盘驾驶操作信息；方向盘驾驶操作信息包括零速百分比和角度标准差；

零速百分比表征所选时间内方向盘不动的程度，角度标准差表征所选时间内方向盘转角的变动水准，零速百分比PNS＝n/N，N为时间范围内的方向盘旋转角度总采样点数，n为时间范围内的方向盘旋转角度总采样点数中角速度在±1°/s之间的采样点个数；

角度标准差其中，x_i为时间范围内的方向盘旋转角度数值；

步骤1.2：利用小波包对被试者的EEG信号进行重构，利用共空间模式方法对重构的EEG信号进行特征提取，得到EEG信号的特征向量；

步骤1.2.1：基于小波包变换进行EEG信号特征提取，重构出自发脑电节律；

步骤1.2.2：对自发脑电节律进行基于共空间模式的EEG信号特征提取，得到EEG信号的特征向量；

步骤1.3：确定疲劳驾驶状态与驾驶员方向盘操作数据的对应关系；

步骤1.4：采用支持向量机建立基于脑电图识别的疲劳驾驶状态评估模型，该模型的输入为被试者在清醒状态、疲劳状态及非常疲劳状态下的EEG信号的特征向量，该模型的输出为被试者的疲劳驾驶状态，即清醒状态、疲劳状态及非常疲劳状态；

步骤2：实时采集驾驶过程中被试者的EEG信号和方向盘驾驶操作信息，并根据基于脑电图识别的疲劳驾驶状态评估模型进行疲劳驾驶状态评估；

步骤3：处理器通过无线方式将疲劳驾驶评估结果和被试者所在位置信息发送给上位机控制中心，同时语音模块发出语音提示。