随着社会的发展,驾车出行已经成为越来越多人选择的主要交通方式,随之而来的是交通安全事故数量的急剧上升。据调查,驾驶员的疲劳驾驶是导致交通安全事故发生的一个重要因素。因此,一种能够有效检测驾驶员是否处于疲劳驾驶的系统对缓解交通事故的发生具有重要的意义。本文开发了一种基于心电图（Electrocardiograph,ECG）信号的疲劳检测系统。该系统将ECG检测设备嵌入到方向盘中,通过驾驶员的手心来采集驾驶员的ECG信号。这种非侵入式的采集方法不会给驾驶员造成不适,更科学,便利,驾驶员也更容易接受。此外,我们还设计了与之相适应的疲劳检测算法,保证疲劳检测系统的准确性与鲁棒性,算法包括:ECG信号提取RR间隔（RRs）的数据预处理方法;基于卷积神经网络（Convolutional Neural Network,CNN）与生成对抗神经网络（Generative Adversarial Network,GAN）的去噪模型;结合模糊神经网络（Fuzzy Neural Network,FNN）以及CNN的检测模型。相较于原始ECG信号,我们预处理方法所提取的RRs特征维度低且能很好反映人体的疲劳状态,这使得我们的疲劳检测系统能够更好的分析处理以捕获疲劳特征。我们的去噪模型基于CNN与GAN设计,该模型能够使用手掌的RRs模拟产生对应的胸腔的RRs。由于胸腔的RRs通常具有很低的噪声水平,从而解决了通过驾驶员的手心获取的ECG信号往往存在大量噪声的问题,提高了疲劳检测系统的准确性与鲁棒性。检测模型是我们结合FNN与CNN提出的模糊卷积神经网络。该网络结合了CNN的平移不变性与FNN的模糊处理的优点,能够更好的处理ECG这类时序信号,从而能够具有更高的分类精度,使得疲劳检测系统的结果更加准确。文章的最后设置了一系列的对比实验。实验结果证明了我们的疲劳检测系统去噪模型与检测模型的有效性与优越性。将我们的方法与现有的最好方法对比,我们的疲劳检测模型具有更好的鲁棒性和预测精度。