随着社会经济的发展,交通基础设施日益发达,由此引发的道路交通事故也越来越多,给人民的生命财产安全造成了极大的伤害。而在交通事故频发的各种原因之中,疲劳驾驶成为最重要的原因之一。虽然各大汽车研发厂商推出了众多疲劳驾驶监测系统,但大都配备车型有限,监测效果不理想,因而使用受到了较大的限制。此外,这些疲劳监测系统大都是基于人体的物理反应如眼动、低头等动作来做出判断的,具有较高的误判性且判决结果不唯一。因此,研究和设计一款基于人体脑电信号的疲劳监测系统有重要的意义和价值。此种方法直接从脑电信号入手,分析驾驶人清醒和疲劳状态下的脑电信号区别,针对性的进行分类判断,理论上可以实现有效且唯一的疲劳监测。本文正是基于以上考虑,研究和设计了一套基于脑电的疲劳监测系统。正文涉及两部分的内容,一是脑电疲劳监测系统的软件建模,二是软件模型的硬件实现,硬件包括ARM9平台和Android两个平台。在建模阶段,利用MIT脑电数据库中清醒和疲劳状态下的标准脑电数据进行实验,对其进行特征提取,分别提取C0复杂度、Kc复杂度、ApEn近似熵三个非线性特征值,此外还对源数据利用Mallat算法进行小波包分解,得到脑电信号的四种节律并且计算两种状态下的Alpha波功率谱密度百分比,对于Alpha波功率谱密度百分比的使用,在ARM9平台把它当做判决辅助手段使用,而在Android平台将其作为特征值使用。经过对上述四个特征值进行T检验,验证了它们在清醒和疲劳两种状态下具有显著性差异,可以作为区分两种状态的有效特征值;为了对两种状态进行分类,设计了分层混合专家神经网络分类器(HME)。HME设计为两层,最底层包含四个底层专家网,负责源数据的输入和训练,逐层向上由底层门网和顶层门网两级结构组成,用来负责源数据的软划分,整个HME利用期望值最大算法(EM)进行收敛训练。其中的每个专家网和门网均是一个BP网络,BP网络设计成三层,用动量梯度法进行收敛训练;最后,将上述得到的四个特征值及其相应长度的脑电源数据一起送入HME进行两种状态的分类训练,训练精度设计为0.05,训练数据采用五折交叉方式处理,训练结束后进行网络测试,得到的ARM9平台和Android平台测试精度分别为60%?8.398%和65.125%?29.375%。在硬件系统制作方面,首先设计了脑电信号采集的模拟硬件电路,此硬件电路能够采集到有效的脑电信号,可以供后面的处理器使用。将上述疲劳监测系统模型分别移植到了ARM9平台和Android智能手机平台上,其中ARM9平台的系统与自行设计的脑电采集电路组合使用,而智能手机平台上的脑电采集硬件采用了市面上存在的神念科技脑电头戴,两种系统都能大致反应出设计的要求。智能手机平台中的疲劳监测准确率略高于ARM平台,这与采集到源信号的噪声大小有关系。最终采用脑电头箍加智能手机的方案作为实验的最终硬件。