针对目前基于脑电信号的疲劳驾驶检测存在的缺乏实时检测与预警的问题,设计模拟驾驶试验。通过TGAM模块和蓝牙模块实时采集并记录“eSense”专注度(Attention)、放松度(Meditation)、眨眼次数以及θ波、α波、β波的功率谱,采用专注度与放松度的比值aA/M、(θ+α)/β的功率谱密度比值cPSD以及眨眼频率bBlink作为疲劳指数,计算并使用专注度和放松度的相关性系数作为分类特征进行分类。使用k-最近邻算法(KNN)对不同疲劳程度的3种疲劳指数分类。使用改进D-S证据理论合成算法,将3种特征准确率综合为一种判断疲劳的综合指数m(θ).结果表明,疲劳指数aA/M、cPSD、bBlink能够反映驾驶员驾驶状态的变化,模拟实验驾驶55 min左右被试开始出现疲劳状态,55～75 min被试已处于疲劳驾驶状态。疲劳指数阈值分别为aA/M:0.8～1,cPSD:3.32～4.64,bBlink:0.28～0.42.综合疲劳指数m(θ)的准确率略高于单个疲劳指数的准确率。该方法为未来实际生活中的疲劳驾驶实时检测与预警提供了重要的科学理论依据和技术支撑。