1.一种可穿戴骨传导疲劳驾驶检测方法，其特征在于，包括以下步骤：S1、生理传感信号采集：在骨传导装置中集成高敏感传感电路，通过集成有高敏感传感电路的骨传导装置采集驾驶员的生理传感信号；

S2、生理传感信号预处理：根据预处理后不同类型的生理传感信号的变化幅度来动态调整模拟增益，对采集的生理传感信号进行局部过采样和平均化，并对平均化之后的生理传感信号进行下采样；

S3、信号噪声消除：分别通过调整单位增益放大对应的三重级联放大电路、前馈微分预放大对应的三重级联放大电路、增益动态对应的三重级联放大电路来消除步骤S1采集的混合生理传感信号中包含的环境噪声；增益动态对应的三重级联放大电路为生理特征传感电路；

S3.1、单位增益放大；由基尔霍夫定律得：（1）

上式中， 是信号源； 为输入电压； 和 是皮肤电极接触阻抗； 是每个运算放大器的输入阻抗；为复数符号，的平方是‑1； 是交流电信号的角频率， 是交流电信号的角速度, 是交流电信号的角频率 的 倍； 是每个运算放大器的寄生电容；

是每个运算放大器的输出电压； 表示寄生电容的交流阻抗；

从式（1）中去除输入电压 ，得到三重级联放大电路的实际增益 、皮肤电极接触阻抗和信号线的固有电容𝐶 w之间的关系：     （2）

上式中， 为三重级联放大电路的实际增益，𝐺 = / ，其中 是每个运算放大器的输出电压， 是信号源； 和 是皮肤电极接触阻抗； 是每个运算放大器的输入电阻；

为复数符号，的平方是‑1； 是交流电信号的角速度；𝐶 w是信号线的固有电容；𝐴 是每个运算放大器的理想电压增益； 是每个运算放大器的输入电容；为每个电极使用运算放大器缓冲器，将高阻抗线转换为近似零，将公式（2）重写为运算放大缓冲器在单位增益放大阶段的形式:

       （3）

上式中， 为运算放大器在增益放大阶段的电阻， 是皮肤电极接触阻抗，为复数符号，的平方是‑1； 是交流电信号的角速度； 是在增益放大阶段信号线的固有电容；

是增益放大阶段运算放大器的输入电容； 是在增益放大阶段运算放大器的理想电压增益； 是增益放大阶段所用运算放大器的寄生电容；𝐴 是每个运算放大器的理想电压增益；

根据式（3），将每个电极与其缓冲区之间的连接固定在稳定的结构中；并使用微同轴屏蔽电缆屏蔽，随后使用与运算放大器输出信号相同的电压驱动电缆屏蔽；

S3.2、前馈差分预放大：在将电缆驱动到三重级联放大电路中的生理特征传感电路之前，采用前馈差分放大技术预先对耳后信号进行预放大；并采用交叉连接技术，用一个增益电阻器来设置两个前馈仪表放大器的增益，产生完全差分和预放大的信号；

S3.3、增益动态调整：基于不同类型的生理传感信号之间的差异幅度对信号增益进行实时动态调整，以获得高分辨率的脑电波信号、眼球运动极化信号、面部肌电信号和皮电活动信号；

S4、生理传感信号模电转换：用带通滤波器将采集的混合生理传感信号分离为脑电波信号、眼球运动极化信号、面部肌电信号和皮电活动信号；采用模拟数字转换器A将脑电波信号、眼球运动极化信号和面部肌电信号转换为对应的数字信号，采用模拟数字转换器B将皮电活动信号转换为对应的数字信号；

S5、疲劳驾驶特征提取：将脑电波信号、眼球运动极化信号、面部肌电信号和皮电活动信号的时间序列数据划分为固定大小的片段，从每个片段提取时域特征、频谱特征和非线性特征；

S6、基于步骤S5中提取的疲劳驾驶检测特征，采用由三个基本分类器组成的层次疲劳驾驶检测模型；层次疲劳驾驶检测模型第一层采用随机森林分类器，第二层采用Adaboost分类器，最后一层采用支持向量机；判断层次疲劳驾驶检测模型第一层和第二层的概率之和大于设定值的预测样本为疲劳驾驶，将剩余的样本转移到第三层，利用支持向量机对剩余样本进行疲劳驾驶判断，若支持向量机输出为1，则判定为疲劳驾驶，若支持向量机输出为0，则判定为非疲劳驾驶；若判定处于疲劳驾驶状态，则通过骨传导装置向驾驶员发送预警信息。

2.根据权利要求1所述可穿戴骨传导疲劳驾驶检测方法，其特征在于，步骤S2中动态调整模拟增益的方式具体为：

1）在采集的生理传感信号不包括面部肌电信号的情况下，使脑电波信号和眼球运动极化信号的增益保持在最大值；

2）当采集的生理传感信号幅度突然增加，采用峰值包络来快速检测是否发现面部肌电信号；

3）当采集的生理传感信号包括面部肌电信号时，对采集生理传感信号幅度的降低速度进行缓慢调整，同时用轻量线性插值来修补缺失的生理传感信号采集样本。

3.根据权利要求1所述可穿戴骨传导疲劳驾驶检测方法，其特征在于：步骤S5具体包括如下步骤：

S5.1、时域特征提取；

S5.1.1、从每种生理传感信号时序片段中提取典型特征；

S5.1.2、对眼球运动极化信号进行小波分解，提取眼跳和眼球链接特征，S5.1.3、连接步骤S5.1.1和步骤S5.1.2提取的疲劳驾驶时域特征，最终形成的时域检测特征向量；

S5.2、频谱特征提取：提取频谱特征来分析脑电信号的特征，频谱特征包括功率比率和绝对功率；

S5.3、非线性特征提取；基于脑电波信号提取相关维数、利亚普诺夫指数、熵和分形维数四种非线性特征；

S5.4、疲劳驾驶检测特征选择；包括递归特征消除、基于L1的特征选择和基于树的特征选择，从时域特征集、频谱特征集和非线性特征集中选择最相关的特征集；

S5.4.1、采用贪婪的优化算法进行递归特征消除，去除对训练误差影响最小的特征；

S5.4.2、基于L1的特征选择用于线性疲劳驾驶检测模型，用于线性疲劳驾驶检测模型包括Logistic回归和SVM，用于线性疲劳驾驶检测模型使用L1范数去除系数为零的特征；

S5.4.3、利用基于树的模型生成的特征重要性排序来剔除不相关的描述子。

4.根据权利要求1所述可穿戴骨传导疲劳驾驶检测方法，其特征在于：步骤S4中模拟数字转换器A为24位；模拟数字转换器B为16位。

5.根据权利要求1所述可穿戴骨传导疲劳驾驶检测方法，其特征在于：步骤S6中层次疲劳驾驶检测模型第一层和第二层的概率和的设定值为0.7。

6.根据权利要求4所述可穿戴骨传导疲劳驾驶检测方法，其特征在于，步骤S5.1.1中提取的典型特征包括：均值、方差、最小值、最大值、霍斯参数、偏度和峰度。

7.根据权利要求4所述可穿戴骨传导疲劳驾驶检测方法，其特征在于，步骤S5.1.2中眼跳和眼球链接特征包括平均速度、最大速度、平均加速度、最大加速度、眨眼幅度、平均幅度、峰值关闭速度、峰值打开速度、平均关闭速度和关闭时间。

8.根据权利要求1所述可穿戴骨传导疲劳驾驶检测方法，其特征在于：步骤S1和步骤S6中骨传导装置均为骨传导耳机。

9.一种可穿戴骨传导疲劳驾驶检测装置，其特征在于，包括：生理传感信号采集模块、生理传感信号预处理模块、信号噪声消除模块、生理传感信号模电转换模块、疲劳驾驶特征提取模块和疲劳驾驶判断模块；

生理传感信号采集模块在骨传导装置中集成高敏感传感电路，通过集成有高敏感传感电路的骨传导装置采集驾驶员的生理传感信号；

生理传感信号预处理模块用于根据预处理后不同类型的生理传感信号的变化幅度来动态调整模拟增益，对采集的生理传感信号进行局部过采样和平均化，并对平均化之后的生理传感信号进行下采样；

信号噪声消除模块用于分别通过调整单位增益放大对应的三重级联放大电路、前馈微分预放大对应的三重级联放大电路、增益动态对应的三重级联放大电路来消除采集的混合生理传感信号中包含的环境噪声；其中单位增益放大、前馈微分预放大和增益动态对应的三重级联放大电路的调整方式为：

1）、单位增益放大；由基尔霍夫定律得：（1）

上式中， 是信号源； 为输入电压； 和 是皮肤电极接触阻抗； 是每个运算放大器的输入阻抗；为复数符号，的平方是‑1； 是交流电信号的角频率， 是交流电信号的角速度, 是交流电信号的角频率 的 倍； 是每个运算放大器的寄生电容；

是每个运算放大器的输出电压； 表示寄生电容的交流阻抗；

从式（1）中去除输入电压 ，得到三重级联放大电路的实际增益 、皮肤电极接触阻抗和信号线的固有电容𝐶 w之间的关系：     （2）

上式中， 为三重级联放大电路的实际增益，𝐺 = / ，其中 是每个运算放大器的输出电压， 是信号源； 和 是皮肤电极接触阻抗； 是每个运算放大器的输入电阻；

为复数符号，的平方是‑1； 是交流电信号的角速度；𝐶 w是信号线的固有电容；𝐴 是每个运算放大器的理想电压增益； 是每个运算放大器的输入电容；为每个电极使用运算放大器缓冲器，将高阻抗线转换为近似零，将公式（2）重写为运算放大缓冲器在单位增益放大阶段的形式:

       （3）

上式中， 为运算放大器在增益放大阶段的电阻， 是皮肤电极接触阻抗，为复数符号，的平方是‑1； 是交流电信号的角速度； 是在增益放大阶段信号线的固有电容；

是增益放大阶段运算放大器的输入电容； 是在增益放大阶段运算放大器的理想电压增益； 是增益放大阶段所用运算放大器的寄生电容；𝐴 是每个运算放大器的理想电压增益；

根据式（3），将每个电极与其缓冲区之间的连接固定在稳定的结构中；并使用微同轴屏蔽电缆屏蔽，随后使用与运算放大器输出信号相同的电压驱动电缆屏蔽；

2）、前馈差分预放大；在将电缆驱动到三重级联放大电路中的生理特征传感电路之前，采用前馈差分放大技术预先对耳后信号进行预放大；并采用交叉连接技术，用一个增益电阻器来设置两个前馈仪表放大器的增益，产生完全差分和预放大的信号；

3）、增益动态调整：基于不同类型的生理传感信号之间的差异幅度对信号增益进行实时动态调整，以获得高分辨率的脑电波信号、眼球运动极化信号、面部肌电信号和皮电活动信号；

生理传感信号模电转换模块用带通滤波器将采集的混合生理传感信号分离为脑电波信号、眼球运动极化信号、面部肌电信号和皮电活动信号；采用24位模拟数字转换器将脑电波信号、眼球运动极化信号和面部肌电信号转换为对应的数字信号，采用16位模拟数字转换器将皮电活动信号转换为对应的数字信号；

疲劳驾驶特征提取模块将脑电波信号、眼球运动极化信号、面部肌电信号和皮电活动信号的时间序列数据划分为固定大小的片段，从每个片段提取时域特征、频谱特征和非线性特征；

疲劳驾驶判断模块基于疲劳驾驶特征提取模块提取的疲劳驾驶检测特征，采用由三个基本分类器组成的层次疲劳驾驶检测模型；层次疲劳驾驶检测模型第一层采用随机森林分类器，第二层采用Adaboost分类器，最后一层采用支持向量机；判断层次疲劳驾驶检测模型第一层和第二层的概率之和大于设定值的预测样本为疲劳驾驶，将剩余的样本转移到第三层，利用支持向量机对剩余样本进行疲劳驾驶判断，若支持向量机输出为1，则判定为疲劳驾驶，若支持向量机输出为0，则判定为非疲劳驾驶；若判定处于疲劳驾驶状态，则通过骨传导装置向驾驶员发送预警信息。