1.基于智能手机和智能手表的驾驶员疲劳状态检测方法，其特征在于，包括如下步骤：

1)通过智能手机和智能手表采集车辆行驶状态数据和驾驶员操作行为数据；

2)将智能手表采集到的驾驶员操作行为数据中叠加的车辆行驶状态信息分离，得到能够反映驾驶员操作行为的数据信息；

3)根据车辆行驶状态信息和驾驶员操作行为信息提取驾驶员疲劳状态特征值，包括：

车辆加减速频数、车辆加减速度均值、车辆加减速度标准差、车辆加减速度极大值、车辆加减速持续时间、车辆加减速时间间隔、方向盘转角速度极大值、方向盘转角速度均值、方向盘转角速度标准差、驾驶员手腕转动频数、方向盘连续不动时间、驾驶员手腕加减速度极大值中的至少一个；

4)基于遗传算法将步骤3)提取的驾驶员疲劳状态特征值中的冗余特征指标去掉，利用去掉冗余特征指标后的特征指标组合作为输入，建立基于BP神经网络的疲劳检测模型，对驾驶员状态进行监测。

2.如权利要求1所述的基于智能手机和智能手表的驾驶员疲劳状态检测方法，其特征在于，所述步骤1)中，智能手机固定于汽车内，智能手表佩戴在驾驶员手腕上，采集车辆行驶过程中的手机的加速度传感器数据Ap＝(pax,pay,paz)、陀螺仪传感器数据Gp＝(pgx,pgy,pgz)和方向传感器数据(pox,poy,poz)，以及采集驾驶员操作方向盘过程中的手表的加速度传感器数据Aw＝(wax,way,waz)、陀螺仪传感器数据Gw＝(wgx,wgy,wgz)、方向传感器数据(wox,woy,woz)，以及记录数据采集时刻的时间t，每次采集将形成一个数据序列，该数据序列中每一行数据形式为{pax、pay、paz,pgx、pgy、pgz,pox、poy、poz,wax、way、waz,wgx、wgy、wgz,wox、woy、woz,ti}(i＝1,2,3…)，其中ti为采样时刻，将数据序列存储到一个数据文件中。

3.如权利要求2所述的基于智能手机和智能手表的驾驶员疲劳状态检测方法，其特征在于，所述步骤2)具体包括如下步骤：

21)假设以智能手机坐标系Y轴正向向前与车头正向平行，Z轴垂直于水平面向上的姿态为智能手机标准姿态，此时对应的智能手机坐标系为标准坐标系，将智能手机加速度传感器数据Ap＝(pax,pay,paz)、手机陀螺仪传感器数据Gp＝(pgx,pgy,pgz)和智能手表加速度传感器数据Aw＝(wax,way,waz)、智能手表陀螺仪传感器数据Gw＝(wgx,wgy,wgz)分别转换成标准坐标系对应的手机加速度传感器数据A′p＝(pa′x,pa′y,pa′z)、手机陀螺仪传感器数据G′p＝(pg′x,pg′y,pg′z)、手表加速度传感器数据A′w＝(wa′x,wa′y,wa′z)、手表陀螺仪传感器数据G′w＝(wg′x,wg′y,wg′z)：其中，α＝poz、β＝poy，Rap为加速度传感器数据旋转矩阵，Rop为陀螺仪传感器数据旋转矩阵。按照同样的旋转方法利用夹角woz和woy可以将手表加速度传感器数据Aw＝(wax,way,waz)、陀螺仪传感器数据Gw＝(wgx,wgy,wgz)旋转得到手表加速度传感器数据A′w＝(wa′x,wa′y,wa′z)、陀螺仪传感器数据G′w＝(wg′x,wg′y,wg′z)；

22)使用下式，将标准坐标系下的智能手机加速度传感器数据、陀螺仪传感器数据与智能手表对应的传感器数据进行差值运算得到能够反映驾驶员操作行为的数据信息：Anwi＝A′wi-A′pi＝[wa′xi-pa′xi,wa′yi-pa′yi,wa′zi-pa′zi]；

Gnwi＝G′wi-G′pi＝[wg′xi-pg′xi,wg′yi-pg′yi,wg′zi-pg′zi]；

其中，A′wi、A′pi分别表示ti(i＝1,2,3…)时刻对应的手表加速度传感器数据A′w、手机加速度传感器数据A′p，G′wi、G′pi分别表示ti(i＝1,2,3…)时刻对应的手表陀螺仪传感器数据G′w、手机陀螺仪传感器数据G′p，Anwi、Gnwi分别表示数据分离得到的能够反映驾驶员操作行为的ti(i＝1,2,3…)时刻的加速度传感器数据、陀螺仪传感器数据。

4.根据权利要求3所述的基于智能手机和智能手表的驾驶员疲劳状态检测方法，其特征在于，所述步骤3)具体包括如下步骤：

31)通过下列算式计算加速度传感器数据和陀螺仪传感器数据的合成值及Gnwi的Z轴分量的积分值：其中，degi表示从数据采集开始时刻到ti时刻的积分值，由此将步骤1)中的数据序列转换成{|A′pi|,|G′pi|,|Anwi|,|Gnwi|,degi,ti}(i＝1,2,3…)的形式；

32)将步骤31)获得的数据序列按照每2min为一个数据单元依次划分成多个数据单元；

33)从步骤32)获得的数据单元提取特征值，特征值包括：车辆加减速频数为数据单元中|A′pi|大于0.25m/s2的个数，车辆加减速度均值 n表示第j个数据单元中|A′pi|的个数，Amean(j)表示第j个数据单元的车辆加减速度均值；车辆加减速度标准差AStd(j)表示第j个数据单元的车辆加减速度标准差；车辆加减速度极大值为数据单元中|A′pi|的最大值；车辆加减速持续时间为数据单元中|A′pi|连续大于0.25m/s2对应的时间长度；车辆加减速时间间隔为数据单元中|A′pi|连续小于2

0.25m/s 对应的时间长度；方向盘转角速度极大值为数据单元中|G′nwi|的最大值；向盘转角速度均值 n表示第j个数据单元中|G′nwi|的个数，Gmean(j)表示第j个数据单元的方向盘转角速度均值；方向盘转角速度标准差为

GStd(j)表示第j个数据单元的方向盘转角速度标准差；驾驶员手腕转动频数为数据单元中|degi|大于10°的个数；方向盘连续不动时间为数据单元中|degi|连续小于10°对应的时间长度；驾驶员手腕加减速度极大值为数据单元中|Anwi|的最大值。

5.根据权利要求4所述的基于智能手机和智能手表的驾驶员疲劳状态检测方法，其特征在于，所述步骤4)具体包括如下步骤：

41)将步骤3)得到的特征指标数据进行归一化处理，使各个特征指标的量纲统一；

42)从步骤41)中归一化后的数据中随机选取总样本的90％的样本作为训练集，剩余的样本则作为测试集；

43)利用遗传算法进行优化计算，首先需要将解空间映射到编码空间，每个编码对应一中筛选方案；针对每一个体计算适应度函数值时，均用遗传算法对所建立的BP神经网络的初始权值和阈值进行优化，并以优化后的权值和阈值作为BP神经网络的初始权值和阈值；

44)利用遗传算法优化计算后得到检测模型的输入自变量组合，把输入自变量组合对应的数据提取出来得到新的训练集/测试集数据；

45)利用新的训练集数据对BP神经网络模型进行训练，训练完成后用新的测试集数据对检测模型进行测试，直到检测模型的检测准确率达到实际应用要求后才算训练完成；

46)利用训练完成的基于BP神经网络的疲劳检测模型对实时采集到的数据进行疲劳识别。

6.根据权利要求5所述的基于智能手机和智能手表的驾驶员疲劳状态检测方法，其特征在于：所述步骤46)还包括如果识别状态为疲劳就对驾驶员进行预警提示的步骤。