技术领域 本申请涉及疲劳驾驶检测技术领域，特别是涉及一种疲劳驾驶检测方法、装置、计算机设备、存储介质和计算机程序产品。 背景技术 随着国民收入水平和城市交通水平的不断提高，汽车保有量和驾驶员数量也不断提高。在复杂的城市道路交通运输系统中，道路安全问题日益严峻，其中由驾驶员疲劳驾驶而导致的误判、分心驾驶行为是导致交通安全事故的主要原因。疲劳驾驶是汽车行驶安全的重大隐患，研究可靠的高准确率疲劳驾驶检测方法对于道路交通安全有重要意义。 相关技术中，针对驾驶员疲劳驾驶检测技术手段众多，主要可分为主观检测法和客观检测法两大类。主观检测法主要通过驾驶员主观自评、专家他评、斯坦福睡眠尺度表和皮尔逊疲劳量表等评定，该方法容易出现故意隐瞒、认知偏差、迎合期望、个体差异、检测结果时效性差等问题。客观检测法的技术手段研究主要集中在三个方面：(1)基于驾驶员生理信号检测。依据驾驶员在疲劳驾驶时各项生理指标参数会偏离正常数值范围的情况，监测其各项生理指标参数变化来判断疲劳状态，可反映驾乘人员疲劳的生理信号主要包括：脑电(EEG)、眼电(EOG)、心电(ECG)、肌电(EMG)等。基于驾驶员生理信号进行疲劳检测一般具有较高的准确性与可靠性，但伴随着强个体差异影响和侵入性检测问题。(2)基于车辆运动信息检测。该方法是根据驾驶员驾驶过程中采集方向盘转角、握力、车辆速度、车辆行驶路线、制动踏板及加速踏板使用等车辆运动信息，间接判断驾驶员疲劳状态的一种方法。该方法无侵入性、实时性好，但其受驾驶员操作习惯和驾驶方法影响较大。(3)基于面部特征检测。该方法是利用图像传感器采集驾驶员面部图像包括人眼部信息、头部位置和嘴巴状态等数据进行疲劳状态判定。该方法检测过程无侵入，但驾驶场景的变化和不同光强条件会严重影响其检测准确率。 综上，单一技术手段的疲劳驾驶检测方法有其各自优劣，无法在应对复杂多变驾驶过程的同时保证疲劳驾驶检测的高准确率，因而，开发一种疲劳驾驶检测方法，以提高疲劳驾驶检测准确率，显得尤为重要。 发明内容 基于此，有必要针对上述技术问题，提供一种能够提高疲劳检测结果的精确性的疲劳驾驶检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。 第一方面，本申请提供了一种疲劳驾驶检测方法。所述方法包括： 获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息； 对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角； 对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据； 根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 在其中一个实施例中，根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果，包括： 利用小波包分解与重构法提取出目标脑电信号的α节律、β节律、θ节律和δ节律； 分别计算α节律、β节律、θ节律和δ节律的能量占比；将α节律、β节律、θ节律和δ节律的能量占比均作为脑电疲劳检测特征指标； 获取目标车辆运行信息中各类数据的样本熵、标准差和平均值，将每一样本熵、每一标准差和每一平均值均作为车辆运动信息疲劳检测特征指标； 将每一脑电疲劳检测特征指标与每一车辆运动信息疲劳检测特征指标进行组合；计算每一组合结果的皮尔森相关系数，将最高皮尔森相关系数对应的组合结果作为目标组合； 根据目标组合，确定疲劳检测结果。 在其中一个实施例中，根据目标组合，确定疲劳检测结果，包括： 对目标组合进行特征层融合处理，得到疲劳融合检测数据； 基于训练样本集对初始模型进行训练，得到预设模型；基于测试样本集对预设模型进行测试； 将疲劳融合检测数据输入至预设模型，输出疲劳检测结果。 在其中一个实施例中，对目标组合进行特征层融合处理，得到疲劳融合检测数据，包括： 基于多重典型集相关分析特征融合算法对目标组合进行特征层融合处理，得到疲劳融合检测数据。 在其中一个实施例中，目标车辆的驾驶员座椅两侧内置电机；根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果之后，还包括： 判断疲劳检测结果是否为疲劳；若是，则控制电机产生震动。 在其中一个实施例中，在目标车辆的方向盘中心和踏面边缘均布置MEMS惯性测量件；油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角是基于MEMS惯性测量件获取的。 第二方面，本申请还提供了一种疲劳驾驶检测装置。所述装置包括： 获取模块，用于获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息； 筛选模块，用于对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角； 预处理模块，用于对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据； 确定模块，用于根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤： 获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息； 对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角； 对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据； 根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤： 获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息； 对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角； 对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据； 根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤： 获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息； 对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角； 对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据； 根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 上述疲劳驾驶检测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息；对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角；对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。一方面，由于使用单一技术手段，存在伴随着强个体差异影响和侵入性检测、驾驶场景的变化和不同光强条件会严重影响其检测准确率和受驾驶员操作习惯和驾驶方法影响较大的问题，导致使用单一技术手段得到的疲劳检测结果存在不准确的问题，因此，通过基于脑电信号和车辆运行信息来确定疲劳检测结果，从而提高疲劳检测结果的精准性。可以理解的是，脑电信号主要是对驾驶员自身疲劳状态的检测，车辆运行信息主要是对驾驶员在疲劳状态下对车辆控制的检测，综上，通过脑电信号和车辆运行信息可是实现对驾驶员疲劳状态的全面监测，从而通过脑电信号和车辆运行信息可以得到高精确度性的疲劳检测结果。另一方面，由于对脑电信号进行预处理，从而提高目标脑电信号的信号质量，进而实现提高疲劳检测结果的精确性，由于目标车辆运行信息是与疲劳检测结果关联度较高的数据，从而实现提高疲劳检测结果的精确性。由于本申请采用的是多源信息融合的疲劳检测方案，从而在应对复杂多变的车辆行驶环境方面具有更好的鲁棒性。 附图说明 图1为一个实施例中疲劳驾驶检测方法的流程示意图； 图2为一个实施例中利用小波包分解与重构法提取出a1的α节律、β节律、θ节律和δ节律的示意图； 图3为另一个实施例中SVM分类模型的分类原理的示意图； 图4为一个实施例中疲劳驾驶检测系统的结构框图； 图5为一个实施例中疲劳驾驶检测装置的结构框图； 图6为一个实施例中计算机设备的内部结构图。 具体实施方式 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。 随着国民收入水平和城市交通水平的不断提高，汽车保有量和驾驶员数量也不断提高。在复杂的城市道路交通运输系统中，道路安全问题日益严峻，其中由驾驶员疲劳驾驶而导致的误判、分心驾驶行为是导致交通安全事故的主要原因。疲劳驾驶是汽车行驶安全的重大隐患，研究可靠的高准确率疲劳驾驶检测方法对于道路交通安全有重要意义。 相关技术中，针对驾驶员疲劳驾驶检测技术手段众多，主要可分为主观检测法和客观检测法两大类。主观检测法主要通过驾驶员主观自评、专家他评、斯坦福睡眠尺度表和皮尔逊疲劳量表等评定，该方法容易出现故意隐瞒、认知偏差、迎合期望、个体差异、检测结果时效性差等问题。客观检测法的技术手段研究主要集中在三个方面：(1)基于驾驶员生理信号检测。依据驾驶员在疲劳驾驶时各项生理指标参数会偏离正常数值范围的情况，监测其各项生理指标参数变化来判断疲劳状态，可反映驾乘人员疲劳的生理信号主要包括：脑电(EEG)、眼电(EOG)、心电(ECG)、肌电(EMG)等。基于驾驶员生理信号进行疲劳检测一般具有较高的准确性与可靠性，但伴随着强个体差异影响和侵入性检测问题。(2)基于车辆运动信息检测。该方法是根据驾驶员驾驶过程中采集方向盘转角、握力、车辆速度、车辆行驶路线、制动踏板及加速踏板使用等车辆运动信息，间接判断驾驶员疲劳状态的一种方法。该方法无侵入性、实时性好，但其受驾驶员操作习惯和驾驶方法影响较大。(3)基于面部特征检测。该方法是利用图像传感器采集驾驶员面部图像包括人眼部信息、头部位置和嘴巴状态等数据进行疲劳状态判定。该方法检测过程无侵入，但驾驶场景的变化和不同光强条件会严重影响其检测准确率。 综上，单一技术手段的疲劳驾驶检测方法有其各自优劣，无法在应对复杂多变驾驶过程的同时保证疲劳驾驶检测的高准确率，因而，开发一种疲劳驾驶检测方法，以提高疲劳驾驶检测准确率，显得尤为重要。 针对上述相关技术中存在的问题，本发明实施例提供了一种疲劳驾驶检测方法，该方法可以应用于服务器中，也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。需要说明的是，本申请各实施例中提及的 " 多个 " 等的数量均指代 " 至少两个 " 的数量，比如， " 多个 " 指 " 至少两个 " 。 在一个实施例中，如图1所示，提供了一种疲劳驾驶检测方法，本实施例以该方法应用于服务器进行举例说明，该方法包括以下步骤： 102、获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息。 需要说明的是，脑电信号可以基于目标车辆的驾驶员佩戴硬件采集设备获取，其中，硬件采集设备可以为电极帽。其中，脑电信号可以为预设时间段内的脑电信号，车辆运行信息可以为预设时间段内的车辆运行信息，具体地，可以每隔预设时长获取一次目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息。为了便于理解，例如，预设时长为5秒，每一秒都能采集到一个脑电信号和一条车辆运行信息，相应地，脑电信号为5秒内的脑电信号，车辆运行信息为5秒内的车辆运行信息，具体地，获取的脑电信号包括5个脑电信号，获取的车辆运行信息包括5条车辆运行信息。其中，每条车辆运行信息包含的数据数量和数据类型可以均相同。 104、对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角。 其中，车辆运行信息可以包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度、方向盘转角、变速器传动比、主减速器传动比、车轮半径和发动机转速等，本申请实施例对此不作具体限定。 106、对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据。 需要说明的是，之所以需要对脑电信号进行放大处理，是因为获取到的脑电信号的电压非常微弱，且干扰信号很多，因此，通过对脑电信号进行放大处理从而提高脑电信号的信号质量。之所以需要对脑电信号进行重采样处理，是因为获取到的脑电信号的频率范围很广，通常为0至500Hz，而脑电信号的节律波频率范围集中于0至64Hz，因此，通过重采样保留脑电信号的低频部分。在实际应用场景中，对脑电信号进行预处理可以基于Eeglab工具箱实现。之所以去除脑电信号中的工频干扰，是因为硬件采集设备在采集脑电信号的过程中自身会产生工频干扰信号，因此，通过对脑电信号进行去除工频干扰，从而提高脑电信号的信号质量。综上，对脑电信号进行预处理，从而得到信号质量高且满足检测需求的目标脑电信号 108、根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 具体地，在根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果之后，可以将疲劳检测结果发送至用户终端，用户终端主要由目标车辆的驾驶员使用，其中，用户终端可以为车载终端。也可以判断疲劳检测结果为正常还是疲劳，若为疲劳，则控制疲劳预警模块报警，其中，疲劳预警模块可以包括用户终端、蜂鸣器、声光报警器或电机中的至少一种，本申请实施例对此不作具体限定。在检测到目标车辆的驾驶员为疲劳状态时，通过疲劳预警模块提醒处于疲劳状态的驾驶员，从而提高驾驶员的驾驶安全性。 上述疲劳驾驶检测方法中，通过获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息；对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角；对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。一方面，由于使用单一技术手段，存在伴随着强个体差异影响和侵入性检测、驾驶场景的变化和不同光强条件会严重影响其检测准确率和受驾驶员操作习惯和驾驶方法影响较大的问题，导致使用单一技术手段得到的疲劳检测结果存在不准确的问题，因此，通过基于脑电信号和车辆运行信息来确定疲劳检测结果，从而提高疲劳检测结果的精准性。可以理解的是，脑电信号主要是对驾驶员自身疲劳状态的检测，车辆运行信息主要是对驾驶员在疲劳状态下对车辆控制的检测，综上，通过脑电信号和车辆运行信息可是实现对驾驶员疲劳状态的全面监测，从而通过脑电信号和车辆运行信息可以得到高精确度性的疲劳检测结果。另一方面，由于对脑电信号进行预处理，从而提高目标脑电信号的信号质量，进而实现提高疲劳检测结果的精确性，由于目标车辆运行信息是与疲劳检测结果关联度较高的数据，从而实现提高疲劳检测结果的精确性。由于本申请采用的是多源信息融合的疲劳检测方案，从而在应对复杂多变的车辆行驶环境方面具有更好的鲁棒性。 在一个实施例中，根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果，包括： 利用小波包分解与重构法提取出目标脑电信号的α节律、β节律、θ节律和δ节律。 例如，脑电信号为5秒内的脑电信号，相应地，目标脑电信号为5秒内的目标脑电信号，具体地，目标脑电信号包括a1、a2、a3、a4和a5这5个目标脑电信号，a1的频率范围为0至64Hz，利用小波包分解与重构法提取出a1的α节律、β节律、θ节律和δ节律的过程，可如图2所示，本申请实施例对此不作具体限定。其他4个目标脑电信号的α节律、β节律、θ节律和δ节律的提取过程可参考a1，在此不再赘述。 分别计算α节律、β节律、θ节律和δ节律的能量占比；将α节律、β节律、θ节律和δ节律的能量占比均作为脑电疲劳检测特征指标。 其中，α节律的能量占比的获取过程可以包括：获取α节律的能量与目标脑电信号的总能量之间的比值，将该比值作为α节律的能量。β节律、θ节律和δ节律的能量占比可参考α节律的能量的获取过程，此处不再赘述。还是以目标脑电信号包括a1、a2、a3、a4和a5这5个目标脑电信号为例，α节律的能量的获取过程包括：将a1的α节律的能量、a2的α节律的能量、a3的α节律的能量、a4的α节律的能量与a5的α节律的能量依次相加，将相加结果作为α节律的能量。 获取目标车辆运行信息中各类数据的样本熵、标准差和平均值，将每一样本熵、每一标准差和每一平均值均作为车辆运动信息疲劳检测特征指标。 具体地，车速为一类数据，油门踏板踩踏频次为一类数据，油门踩踏加速度为一类数据，制动踏板踩踏频次为一类数据，制动踩踏加速度和方向盘转角为一类数据。 将每一脑电疲劳检测特征指标与每一车辆运动信息疲劳检测特征指标进行组合；计算每一组合结果的皮尔森相关系数，将最高皮尔森相关系数对应的组合结果作为目标组合。 基于上述实施例可知，包括4项脑电疲劳检测特征指标，包括18项车辆运动信息疲劳检测特征指标，将每一脑电疲劳检测特征指标与每一车辆运动信息疲劳检测特征指标进行组合，可得到72种组合结果。其中某一组合结果的呈现方式可为β节律的能量占比和方向盘转角样本熵。可以理解的是，对车辆运行信息中的数据进行疲劳检测关联度筛选，可以减少目标车辆运行信息包含的参数类型，从而实现减少计算量。 根据目标组合，确定疲劳检测结果。 本实施例中，通过利用小波包分解与重构法提取出目标脑电信号的α节律、β节律、θ节律和δ节律；分别计算α节律、β节律、θ节律和δ节律的能量占比；将α节律、β节律、θ节律和δ节律的能量占比均作为脑电疲劳检测特征指标；获取目标车辆运行信息中各类数据的样本熵、标准差和平均值，将每一样本熵、每一标准差和每一平均值均作为车辆运动信息疲劳检测特征指标；将每一脑电疲劳检测特征指标与每一车辆运动信息疲劳检测特征指标进行组合；计算每一组合结果的皮尔森相关系数，将最高皮尔森相关系数对应的组合结果作为目标组合；根据目标组合，确定疲劳检测结果，从而提高疲劳检测结果的精准性。 在一个实施例中，根据目标组合，确定疲劳检测结果，包括： 对目标组合进行特征层融合处理，得到疲劳融合检测数据。 具体地，基于归一化融合方法对目标组合进行特征层融合处理，得到疲劳融合检测数据。之所以需要对目标组合进行特征层融合处理，是因为目标组合包含两种不同类型的数据，这两种类型数据的数量级不同，会影响疲劳检测结果的精确性，因此，通过对目标组合进行特征层融合处理，使得目标组合包含的两种类型数据的数量级一致，从而提高疲劳检测结果的精确性。 基于训练样本集对初始模型进行训练，得到预设模型；基于测试样本集对预设模型进行测试。 其中，训练样本集和测试样本集的获取过程可以包括：获取与目标车辆的车辆类型相同的车辆的驾驶员的脑电信号和车辆运行信息，对与目标车辆的车辆类型相同的车辆的驾驶员的脑电信号和车辆运行信息进行与上述实施例相同的处理，将处理结果中的一部分处理结果作为训练样本集，另一部分作为测试样本集，训练样本集和测试样本集的比例可以为8:2。 具体地，预设模型可以采用SVM分类模型，其中，SVM分类模型的分类原理可如图3所示。 将疲劳融合检测数据输入至预设模型，输出疲劳检测结果。 本实施例中，由于对目标组合进行特征层融合处理，使得目标组合包含的两种类型数据的数量级一致，从而提高疲劳检测结果的精确性，由于预设模型是训练及测试后的模型，从而使得输出的疲劳检测结果的精确性更高。 在一个实施例中，对目标组合进行特征层融合处理，得到疲劳融合检测数据，包括： 基于多重典型集相关分析特征融合算法对目标组合进行特征层融合处理，得到疲劳融合检测数据。 本实施例中，由于基于多重典型集相关分析特征融合算法对目标组合进行特征层融合处理，使得目标组合包含的两种类型数据的数量级一致，从而提高疲劳检测结果的精确性，由于预设模型是训练及测试后的模型，从而使得输出的疲劳检测结果的精确性更高。 在一个实施例中，目标车辆的驾驶员座椅两侧内置电机；根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果之后，还包括： 判断疲劳检测结果是否为疲劳；若是，则控制电机产生震动。 需要说明的是，也可以在基于座椅震动提醒处于疲劳状态的驾驶员的基础上增加声音、灯光、大屏显示等提醒处于疲劳状态的驾驶员。 本实施例中，由于在疲劳检测结果是为疲劳时，则控制电机产生震动来提醒处于疲劳状态的驾驶员，从而提高驾驶员的驾驶安全性。与上述实施例中的采用蜂鸣器或声光报警器相比，电机震动来提醒处于疲劳状态的驾驶员的提醒效果更好。 在一个实施例中，在目标车辆的方向盘中心和踏面边缘均布置MEMS惯性测量件；油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角是基于MEMS惯性测量件获取的。 也可以通过在目标车辆的方向盘中心布置角速度传感器，方向盘转角可以基于角速度传感器获取，在踏面边缘布置加速度传感器和速度传感器，油门踩踏加速度和制动踩踏加速度可以基于加速度传感器获取，油门踏板踩踏频次和制动踏板踩踏频次可以基于速度传感器获取。与角速度传感器、加速度传感器和速度传感器相比，MEMS惯性测量件属于微机电传感器，结构更小巧方便。 在一个实施例中，如图4所示，提供了一种疲劳驾驶检测系统，包括：脑电信号采集模块402、车辆运行信息采集模块404、脑电信号放大器406、车辆运行信息筛选模块408、脑电信号指标提取模块410、车辆运行信息指标提取模块412、疲劳信息融合模块414、疲劳检测分类器416、疲劳状态预警模块418，其中： 脑电信号采集模块402，用于获取目标车辆的驾驶员的脑电信号。 车辆运行信息采集模块404，用于获取目标车辆的车辆运行信息。 脑电信号放大器406，用于对脑电信号进行预处理，得到目标脑电信号。 车辆运行信息筛选模块408，用于对车辆运行信息中的数据进行疲劳检测关联度筛选。 脑电信号指标提取模块410，用于利用小波包分解与重构法提取出目标脑电信号的α节律、β节律、θ节律和δ节律；分别计算α节律、β节律、θ节律和δ节律的能量占比；将α节律、β节律、θ节律和δ节律的能量占比均作为脑电疲劳检测特征指标。 车辆运行信息指标提取模块412，用于获取目标车辆运行信息中各类数据的样本熵、标准差和平均值，将每一样本熵、每一标准差和每一平均值均作为车辆运动信息疲劳检测特征指标。 疲劳信息融合模块414，用于将每一脑电疲劳检测特征指标与每一车辆运动信息疲劳检测特征指标进行组合；计算每一组合结果的皮尔森相关系数，将最高皮尔森相关系数对应的组合结果作为目标组合，对目标组合进行特征层融合处理，得到疲劳融合检测数据。 疲劳检测分类器416，用于根据疲劳融合检测数据，输出疲劳检测结果。 疲劳状态预警模块418，用于提醒处于疲劳状态的驾驶员。在实际应用中，疲劳状态预警模块可以包括用户终端、蜂鸣器、声光报警器或电机中的至少一种。 需要说明的是，上述系统涉及的名词和步骤的相关解释，可参考上述各实施例中对名词及步骤的解释说明，在此不再赘述。 应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。 基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的疲劳驾驶检测方法的疲劳驾驶检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个疲劳驾驶检测装置实施例中的具体限定可以参见上文中对于疲劳驾驶检测方法的限定，在此不再赘述。 在一个实施例中，如图5所示，提供了一种疲劳驾驶检测装置，包括：获取模块502、筛选模块504、预处理模块506和确定模块508，其中： 获取模块502，用于获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息； 筛选模块504，用于对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角； 预处理模块506，用于对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据； 确定模块508，用于根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 在一个实施例中，确定模块508，包括： 提取子模块，用于利用小波包分解与重构法提取出目标脑电信号的α节律、β节律、θ节律和δ节律； 计算子模块，用于分别计算α节律、β节律、θ节律和δ节律的能量占比；将α节律、β节律、θ节律和δ节律的能量占比均作为脑电疲劳检测特征指标； 获取子模块，用于获取目标车辆运行信息中各类数据的样本熵、标准差和平均值，将每一样本熵、每一标准差和每一平均值均作为车辆运动信息疲劳检测特征指标； 组合子模块，用于将每一脑电疲劳检测特征指标与每一车辆运动信息疲劳检测特征指标进行组合；计算每一组合结果的皮尔森相关系数，将最高皮尔森相关系数对应的组合结果作为目标组合； 确定子模块，用于根据目标组合，确定疲劳检测结果。 在一个实施例中，确定子模块，包括： 融合单元，用于对目标组合进行特征层融合处理，得到疲劳融合检测数据； 训练单元，用于基于训练样本集对初始模型进行训练，得到预设模型；基于测试样本集对预设模型进行测试； 输出单元，用于将疲劳融合检测数据输入至预设模型，输出疲劳检测结果。 在一个实施例中，融合单元，包括： 融合子单元，用于基于多重典型集相关分析特征融合算法对目标组合进行特征层融合处理，得到疲劳融合检测数据。 在一个实施例中，目标车辆的驾驶员座椅两侧内置电机；该装置还包括： 判断模块，用于判断疲劳检测结果是否为疲劳；若是，则控制电机产生震动。 在一个实施例中，在目标车辆的方向盘中心和踏面边缘均布置MEMS惯性测量件；油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角是基于MEMS惯性测量件获取的。 上述疲劳驾驶检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。 在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种疲劳驾驶检测方法。 本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。 在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤： 获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息； 对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角； 对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据； 根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 在一个实施例中，处理器执行计算机程序时还实现以下步骤： 利用小波包分解与重构法提取出目标脑电信号的α节律、β节律、θ节律和δ节律； 分别计算α节律、β节律、θ节律和δ节律的能量占比；将α节律、β节律、θ节律和δ节律的能量占比均作为脑电疲劳检测特征指标； 获取目标车辆运行信息中各类数据的样本熵、标准差和平均值，将每一样本熵、每一标准差和每一平均值均作为车辆运动信息疲劳检测特征指标； 将每一脑电疲劳检测特征指标与每一车辆运动信息疲劳检测特征指标进行组合；计算每一组合结果的皮尔森相关系数，将最高皮尔森相关系数对应的组合结果作为目标组合； 根据目标组合，确定疲劳检测结果。 在一个实施例中，处理器执行计算机程序时还实现以下步骤： 对目标组合进行特征层融合处理，得到疲劳融合检测数据； 基于训练样本集对初始模型进行训练，得到预设模型；基于测试样本集对预设模型进行测试； 将疲劳融合检测数据输入至预设模型，输出疲劳检测结果。 在一个实施例中，处理器执行计算机程序时还实现以下步骤： 基于多重典型集相关分析特征融合算法对目标组合进行特征层融合处理，得到疲劳融合检测数据。 在一个实施例中，目标车辆的驾驶员座椅两侧内置电机；处理器执行计算机程序时还实现以下步骤： 判断疲劳检测结果是否为疲劳；若是，则控制电机产生震动。 在一个实施例中，处理器在执行计算机程序时，在目标车辆的方向盘中心和踏面边缘均布置MEMS惯性测量件；油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角是基于MEMS惯性测量件获取的。 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤： 获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息； 对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角； 对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据； 根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 在一个实施例中，计算机程序被处理器执行时还实现以下步骤： 利用小波包分解与重构法提取出目标脑电信号的α节律、β节律、θ节律和δ节律； 分别计算α节律、β节律、θ节律和δ节律的能量占比；将α节律、β节律、θ节律和δ节律的能量占比均作为脑电疲劳检测特征指标； 获取目标车辆运行信息中各类数据的样本熵、标准差和平均值，将每一样本熵、每一标准差和每一平均值均作为车辆运动信息疲劳检测特征指标； 将每一脑电疲劳检测特征指标与每一车辆运动信息疲劳检测特征指标进行组合；计算每一组合结果的皮尔森相关系数，将最高皮尔森相关系数对应的组合结果作为目标组合； 根据目标组合，确定疲劳检测结果。 在一个实施例中，计算机程序被处理器执行时还实现以下步骤： 对目标组合进行特征层融合处理，得到疲劳融合检测数据； 基于训练样本集对初始模型进行训练，得到预设模型；基于测试样本集对预设模型进行测试； 将疲劳融合检测数据输入至预设模型，输出疲劳检测结果。 在一个实施例中，计算机程序被处理器执行时还实现以下步骤： 基于多重典型集相关分析特征融合算法对目标组合进行特征层融合处理，得到疲劳融合检测数据。 在一个实施例中，目标车辆的驾驶员座椅两侧内置电机；计算机程序被处理器执行时还实现以下步骤： 判断疲劳检测结果是否为疲劳；若是，则控制电机产生震动。 在一个实施例中，计算机程序被处理器执行时，在目标车辆的方向盘中心和踏面边缘均布置MEMS惯性测量件；油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角是基于MEMS惯性测量件获取的。 在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤： 获取目标车辆的驾驶员的脑电信号和目标车辆的车辆运行信息； 对车辆运行信息中的数据进行疲劳检测关联度筛选，得到目标车辆运行信息，目标车辆运行信息包括车速、油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角； 对脑电信号进行预处理，得到目标脑电信号；预处理包括放大处理、重采样处理、去除眼电伪迹和去除工频干扰；重采样处理指的是滤除脑电信号中的高频信号，去除眼电伪迹指的是删除脑电信号中有眼电干扰帧的数据； 根据目标脑电信号和目标车辆运行信息，确定疲劳检测结果；疲劳检测结果为疲劳或正常。 在一个实施例中，计算机程序被处理器执行时还实现以下步骤： 利用小波包分解与重构法提取出目标脑电信号的α节律、β节律、θ节律和δ节律； 分别计算α节律、β节律、θ节律和δ节律的能量占比；将α节律、β节律、θ节律和δ节律的能量占比均作为脑电疲劳检测特征指标； 获取目标车辆运行信息中各类数据的样本熵、标准差和平均值，将每一样本熵、每一标准差和每一平均值均作为车辆运动信息疲劳检测特征指标； 将每一脑电疲劳检测特征指标与每一车辆运动信息疲劳检测特征指标进行组合；计算每一组合结果的皮尔森相关系数，将最高皮尔森相关系数对应的组合结果作为目标组合； 根据目标组合，确定疲劳检测结果。 在一个实施例中，计算机程序被处理器执行时还实现以下步骤： 对目标组合进行特征层融合处理，得到疲劳融合检测数据； 基于训练样本集对初始模型进行训练，得到预设模型；基于测试样本集对预设模型进行测试； 将疲劳融合检测数据输入至预设模型，输出疲劳检测结果。 在一个实施例中，计算机程序被处理器执行时还实现以下步骤： 基于多重典型集相关分析特征融合算法对目标组合进行特征层融合处理，得到疲劳融合检测数据。 在一个实施例中，目标车辆的驾驶员座椅两侧内置电机；计算机程序被处理器执行时还实现以下步骤： 判断疲劳检测结果是否为疲劳；若是，则控制电机产生震动。 在一个实施例中，计算机程序被处理器执行时，在目标车辆的方向盘中心和踏面边缘均布置MEMS惯性测量件；油门踏板踩踏频次、油门踩踏加速度、制动踏板踩踏频次、制动踩踏加速度和方向盘转角是基于MEMS惯性测量件获取的。 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。 疲劳驾驶检测方法、装置、计算机设备和存储介质