警觉度(Vigilance)通常定义为，对外界刺激长时间的保持注意力和警惕性的能力。在日常的工作和生活中,许多人机交互系统需要操作人员保持一定的警觉度。尤其是汽车驾驶员，他们一旦出现警觉度下降的情况，就可能会造成非常严重的后果。因此，研究警觉度监测算法，对驾驶员的疲劳状态进行实时监测，是车辆辅助安全驾驶领域的一个重要课题，对解决交通安全问题具有重要的现实意义。由于脑电信号是疲劳检测的“金标准”，以及便携式脑电采集设备商用化的出现，使得脑电采集越来越便捷。因此，本论文将重点进行基于脑电的警觉度监测方法研究，具体研究问题包括：脑电信号在线降噪去伪迹算法，警觉度关键脑区定位，脑电疲劳特征快速提取算法、在线脑电特征过滤平滑算法，高鲁棒性的脑电特征降维算法，高效的在线警觉度监测算法以及警觉度自动标注算法等。目的是结合便携式脑电采集系统，为将来开发基于脑电等生理信号的警觉度监测系统提供理论和基本算法。本论文的主要贡献和创新点体现在以下几个方面：1.脑电信号在线降噪去伪迹。本文提出了自适应在线降噪去伪迹算法，能自适应跟踪随时间变化的信号源，并具备伪迹源自动识别功能，且能在线自动重构出不含伪迹成分的脑电信号，以解决脑电采集过程中的噪音伪迹干扰问题。该算法的伪迹识别精度在90%以上，已达到人工标注的水平，相比于其他自动去伪迹算法，该算法能很好的解决伪迹信号源随时间变化的问题，并且支持在线工作模式。2.警觉度关键脑区定位。本文提出了基于脑电信号的警觉度相关同步去同步概念，基于该原理，开发了三种警觉度关键脑区定位算法，分别是基于线性相关系数的定位方法，基于ICA算法的定位方法和基于CSP算法的定位方法，并最终定位出枕叶附近为警觉度关键脑区。从警觉度关键脑区采集脑电信号可有效降低警觉度无关脑电信号的影响，并可以简化脑电采集过程，增强脑电警觉度分析系统的实用性。3.脑电疲劳特征提取。对对数形式的脑电频谱特征，本文给出了物理层面的解释，进而定义了脑电的微分熵特征。提出了脑电特征中的乘性噪音问题，并给出了不同脑电特征的乘性噪音消除方案。同时，结合警觉度实验数据，对自回归系数，能量谱，分形维数，样本熵以及微分熵这五种脑电特征，从原理和性能两个层面进行了详细的对比分析。最终结果显示，微分熵特征的警觉度表征能力最强，且性能最稳定。4.脑电特征在线过滤。本文提出了基于线性动力系统模型的脑电特征过滤算法，用于消除脑电数据中的警觉度无关脑电特征。同时，结合警觉度实验数据，从原理和性能两个方面与传统的滑动平均滤波器算法进行了对比分析。结果显示，该算法能更加充分合理的利用已观测到的全部脑电数据，更好的消除警觉度无关脑电特征的影响，提高警觉度的估计精度。5.鲁棒性的脑电特征降维。由于脑电特征中含有较强的噪音，传统的特征降维算法如PCA，在受到噪音干扰后会导致计算出的主成分不准确，从而影响后续的警觉度估计性能。为了解决特征降维过程中的噪音问题，本文引入了具有抗噪能力的特征降维算法：Robust PCA，并基于具体的实验数据，进行了对比分析。结果显示，Robust PCA算法相比于标准PCA算法，在处理含有较多噪音的脑电特征时，确实能有效提高警觉度估计系统的性能。6.高效的警觉度估计模型。本文提出了用于在线警觉度估计的Larsen-ELM算法，相比于SVM回归模型，该算法在保证警觉度估计准确率的同时，具有高效的模型参数训练效率，对处理大规模的脑电警觉度数据，具有较高的实用价值。7.基于脑电信号的警觉度自动标注算法。传统警觉度标注算法通常代价过高，自动化性能欠佳，且无法有效处理大规模的数据集。因此，本文提出了直接基于脑电数据的离散警觉度标注算法和连续警觉度标注算法。由于脑电特征随警觉度变化而变化，该类型的算法能直接利用脑电特征的分布规律通过聚类算法和流形学习算法进行警觉度的自动标注。直接基于脑电数据的标注结果，与传统的基于警觉度相关任务行为的标注结果相比，同样能准确的标注出警觉度变化的整体走势，只是在细节方面存在较小的误差。由于该类型的算法是完全自动化实现，且无需训练数据集，因此，该类型的算法能有效的提高脑电警觉度数据集的标注效率。最后，我们设计了一套完整的脑电警觉度实验方案，采集了大量的脑电警觉度实验数据，在充分且具体的数据支撑下，从实验结果和算法机理两个方面，对警觉度分析过程中各个环节的不同算法，进行了系统性的对比分析，给出了各个分析环节的推荐算法使用方案；实验结果显示，我们提出的警觉度监测方法，确实能准确可靠的实现在线警觉度估计功能和离线警觉度标注功能。