1.山地道路疲劳驾驶状态识别方法，其特征在于，包括步骤：

以最优疲劳驾驶行为特征作为样本，创建训练集和测试集；

构建改进BiGRU神经网络；该改进BiGRU神经网络包括由输入到输出顺序连接的疲劳驾驶行为特征输入层、BiGRU层、通道注意力层、全连接层、分类层和驾驶人状态输出层，所述疲劳驾驶行为特征输入层用于输入疲劳驾驶行为特征至所述BiGRU层，所述BiGRU层用于采用双向门控循环单元神经网络即BiGRU网络计算疲劳驾驶行为特征所对应的隐藏状态并输出至所述通道注意力层，所述通道注意力层用于对所述BiGRU层输出的隐藏状态执行压缩和激励操作，得到加权输出隐藏状态输出至所述全连接层，所述全连接层对所有加权输出隐藏状态进行综合后输出至所述分类层，所述分类层采用Softmax函数将所述全连接层的输出转化为概率分布输出至所述驾驶人状态输出层，所述驾驶人状态输出层根据各概率分布输出当前的疲劳驾驶行为特征所对应的驾驶人状态；

采用所述训练集对所述改进BiGRU神经网络进行训练，以及采用所述测试集对训练完成的所述改进BiGRU神经网络进行测试。

2.根据权利要求1所述的山地道路疲劳驾驶状态识别方法，其特征在于：所述通道注意力层的压缩操作为，对所述BiGRU层输出的隐藏状态的每个通道执行全局平均池化操作；所述通道注意力层的激励操作用公式表示为：其中， 表示对第c个通道执行压缩操作的结果，δ()是Relu激活函数，σ()是Sigmoid激活函数，W1、W2是进行激励操作时的权重， 表示BiGRU层输出的第c个通道的隐藏状态，表示通道注意力层对第c个通道的激励结果。

3.根据权利要求1所述的山地道路疲劳驾驶状态识别方法，其特征在于：在训练所述改进BiGRU神经网络的过程中，采用麻雀搜索算法对所述BiGRU网络的参数自动寻找最优解，得到所述BiGRU网络的最佳隐藏层单元数、初始学习率、L2正则化系数和迭代次数。

4.根据权利要求3所述的山地道路疲劳驾驶状态识别方法，其特征在于，采用麻雀搜索算法对所述BiGRU网络的参数自动寻找最优解，具体包括步骤：进行参数初始化，包括设定麻雀初始种群数量、最大迭代次数和搜索空间维度；将每个麻雀个体设置成一个向量，该向量表示BiGRU网络的初始学习率、隐藏层单元数量、L2正则化系数和迭代次数；

以所述BiGRU网络在所述训练集上的识别准确率与1的差值作为适应度值，准确率越高，代表麻雀种群位置越优；

迭代更新各种群位置，重新评估所有麻雀的适应度值，使得麻雀能够逐渐找到最优位置；

达到最大迭代次数时输出适应度值最小的麻雀个体，输出BiGRU网络的最优解，结束算法寻优。

5.根据权利要求1所述的山地道路疲劳驾驶状态识别方法，其特征在于，以最优疲劳驾驶行为特征作为样本，创建训练集和测试集，具体包括步骤：采集驾驶人的驾驶行为数据，并对驾驶行为数据进行预处理，得到包括各疲劳等级的样本，构建疲劳驾驶数据集；

对疲劳驾驶数据集中的各驾驶行为变量，提取多种统计学特征和频域类特征，得到多类疲劳驾驶行为特征；

对所有疲劳驾驶行为特征采用交叉验证递归特征消除算法进行筛选，得到最优疲劳驾驶行为特征，构建最优特征参数集；

将最优特征参数集划分为训练集和测试集。

6.根据权利要求5所述的山地道路疲劳驾驶状态识别方法，其特征在于，所述对驾驶行为数据进行预处理，得到包括各疲劳等级的样本，具体包括：确定能直观反映驾驶人的驾驶状态的驾驶行为变量；

采集驾驶人在清醒、疲劳和极度疲劳状态下各驾驶行为变量的样本数据，并切分成时间序列数据段；

根据驾驶人面部疲劳评分标准，对每个数据段进行面部疲劳评级和评分，评级包括清醒、疲劳和非常疲劳这三个疲劳等级，评分包括对清醒、疲劳和非常疲劳这三个疲劳等级按照疲劳程度由低至高进行评分。

7.根据权利要求6所述的山地道路疲劳驾驶状态识别方法，其特征在于：驾驶行为变量包括方向盘转角、车速、节气门开度、车辆横摆角、车辆横向加速度和车辆纵向加速度。

8.根据权利要求7所述的山地道路疲劳驾驶状态识别方法，其特征在于，所述对所有疲劳驾驶行为特征采用交叉验证递归特征消除算法进行筛选，得到最优疲劳驾驶行为特征，具体包括：(1)将所有疲劳驾驶行为特征以9∶1的比例划分为训练集和测试集，利用10折交叉验证方法训练并评估随机森林模型，计算每种疲劳驾驶行为特征的分类准确率，并根据分类准确率对重要性进行排名，分类准确率越高排名越靠前；

(2)移除重要性最低的特征类别，重新训练随机森林模型，得到新的疲劳驾驶行为特征重要性排名；

(3)重复步骤(1)和(2)，持续移除重要性最低的特征类别，并重新评估随机森林模型，直到达到结束条件；

(4)选择重要性排名前六的疲劳驾驶行为特征作为最优疲劳驾驶行为特征。

9.根据权利要求8所述的山地道路疲劳驾驶状态识别方法，其特征在于，每种驾驶行为变量的多种统计学特征包括方差、标准差、绝对值均值、变异系数、均方根和波形因子，每种驾驶行为变量的多种频域类特征包括通过小波分析法提取的能量熵、尺度熵和奇异熵；

变异系数定义为标准差与绝对值均值之比；

波形因子定义为均方根与绝对值均值之比；

最优疲劳驾驶行为特征包括方向盘转角方差、方向盘转角变异系数、纵向加速度奇异熵、纵向加速度波形因子、节气门开度尺度熵、车速尺度熵。