疲劳使得人的反应能力和操控能力大大下降,特别是对于外界瞬时的环境变化、出现紧急情况的状态下,如果不能及时地作出反应和应对措施,发生事故的可能性大大提高。特别是在驾驶等常见场景中,疲劳是交通事故的主要诱因之一,给社会带了重大的财产损失和人员伤亡。本研究从这一严峻的问题出发,探索一种基于卷积神经网络的疲劳检测算法,使用眼电信号作为输入信号,从眼电中抽取出与疲劳相关的特征,用于疲劳检测,从而能够在人体出现疲劳时,给相应的人员发出警告,减少事故发生的风险。本研究中提出的基于卷积神经网络的疲劳检测算法不同于以往的使用眼电信号的疲劳检测算法在于使用了神经网络自动地抽取与疲劳相关的特征,而非人工地设计相应地特征。人工设计的特征的抽取过程,往往比较繁琐。且由于人体差异的存在,其可靠性和有效性较差。卷积神经网络模型依赖于反向传播算法,能够自动地对眼睛运动的模式进行识别,抽取出相应地特征,并且组合成更高级的特征,以用于疲劳的预测,其抽取的特征往往具有较高的可靠性和有效性。本研究也对眼电的预处理提出了处理方案,在预处理阶段尽可能少地对眼电信号做深度处理。本研究对神经网络的输出做了进一步平滑处理,减少与疲劳无关的特征对结果产生的影响。本研究对实验中收集的22组数据进行了处理,为了验证本研究中所提出的算法,我们与传统的眼电特征提取算法进行了对比。实验结果表明,一半以上的样本中,本研究中提出的基于卷积神经网络的疲劳检测模型表现强于传统的眼电特征抽取算法,证明其具有同等的甚至较强的与疲劳相关特征的抽取能力。