1.一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于，包括步骤：S1.按照设定的采样频率实时采集方向盘转角时间序列和车速时间序列；

S2.按照设定的转向角度绝对值阈值和速度阈值对所述方向盘转角时间序列进行滤波处理，得到速度高于所述速度阈值、转向角度低于所述转向角度绝对值阈值的方向盘转角序列样本；

S3.按照设定的时间窗大小，对固定长度的所述方向盘转角序列样本计算其统计特征；

S4.将所述统计特征形成统计特征矩阵；

S5.计算所述统计特征矩阵的特征根，抽取特征根作为驾驶人方向盘转角统计特征的融合指标向量。

2.如权利要求1所述的一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于：在所述步骤S3中，方向盘转角序列的固定长度为T，设定的时间窗大小为mT，m≥10，T≥100。

3.如权利要求2所述的一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于：在所述步骤S3中，所述统计特征包括方差T1、有效值T2、极差T3、波形系数T4、峭度T5、偏度T6、变异系数T7、大幅度百分比T8、小幅度百分比T9、大幅均值T10；

其中：

N＝T，X(i)表示固定长度为T的方向盘转角序

列，i表示时间采样点序号，i＝1，2…N-1，N；

T3＝Xmax-Xmin，Xmax、Xmin分别表示序列X(i)的最大值和最小值；

c1为大幅度阈值，n代表样本个数；

c2为小幅度阈值；

4.如权利要求3所述的一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于：c1的设定范围为2.5±0.25，c2的设定范围为0.5±0.25。

5.如权利要求3所述的一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于，在所述步骤S4中，所述统计特征矩阵表示为P，则：其中，Lt(t＝1，2…m-1，m)＝(X1，X2…X199，X200)t，t表示一个时间窗内方向盘转角序列的切片分段序号。

6.如权利要求5所述的一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于，在所述步骤S5中，计算所述统计特征矩阵的特征根具体包括步骤：S51.按照 对每个时间窗内

的方向盘转角序列进行标准化处理，pst表示统计特征矩阵P中第s行第t列的元素，S52.计算统计特征矩阵P的相关系数矩阵R：其中，

S53.采用雅可比方法求出相关系数矩阵R的特征根λ(λ1，λ2，…，λm-1，λm)。

7.如权利要求6所述的一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于，在所述步骤S5中，抽取特征根作为驾驶人方向盘转角统计特征的融合指标向量，具体是指：假设融合指标向量为F，其融合指标向量的向量元素f通过如下设置条件获取：ρset的设定范围为0.85±0.1。

8.如2～7任意一项权利要求所述的一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于：所述采样频率的设定范围为[20，200]Hz，所述转向角度绝对值阈值的设定范围为20±2°，速度阈值的设定范围为70±5km/h。

9.如权利要求8所述的一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于：10≤m≤50，100≤T≤500。

10.如2～7任意一项权利要求所述的一种用于疲劳状态识别的方向盘转角统计特征融合方法，其特征在于：采样频率＝100Hz，转向角度绝对值阈值＝20°，速度阈值＝70km/h，m＝30，T＝200，ρset＝0.85。