警觉度通常被定义为操作者在执行某项任务时,对外界刺激长时间保持注意与警惕的灵敏程度。警觉度是一项与人的疲劳与清醒状态紧密相关的生理指标。通过观测人长时间进行操作任务时对外界变化的反应时间,以及应对方法的正确性,可以用来评估人的警觉水平。当人感到疲劳或者困乏时,警觉度会明显下降。这对于车辆驾驶员或飞行员都是非常危险的,很可能会导致车祸等事故的发生。越来越多的人正致力于疲劳驾驶的研究,并积极寻找解决它的途径,这是车辆、飞机辅助安全驾驶领域的一个重要课题,对解决安全驾驶问题具有重要的现实意义。基于生理电信号的分析是研究警觉度的一个常用方法,通常会采用的是脑电、眼电、心电等生理信号,尤其是脑电信号,其能客观反映大脑电活动的特性使之成为疲劳检测的重要手段之一。随着传感器、脑机接口等技术的发展,脑电采集越来越便捷。本文将警觉度分为两个状态:清醒状态和疲劳状态,重点便是基于脑电信号来对驾驶员的警觉度进行分析。本研究的主要内容包括模拟驾驶实验的设计,脑电信号的采集及其去噪预处理,特征信息提取算法,关键频带及通道的选择方法等。本文的研究工作主要是以下几个方面:(1)诱发警觉度变化的模拟驾驶实验的设计与脑电信号的采集及其伪迹的去除。本文在模拟驾驶环境下采用Emotiv Epoc系统采集并记录14通道的脑电数据。综合运用了滤波器、独立成分分析、小波去噪方法对其中混含的工频、肌电、眼电信号等伪迹进行滤除。(2)对脑电信号进行传统特征分析,采用小波变换的方法提取不同频带的脑电信号,主要是δ,θ,α,β四种节律波,计算各频带信号的能量、熵值作为传统的特征。其次,采用深度学习的方法,本文中主要应用了深度信念网络、卷积神经网络来自动学习脑电信号的特征,力求抽取人为计算方法难以发现的抽象特征,该方法克服了手工提取特征的局限性。(3)为了去除与警觉度相关性不大的脑电信号,本文对14通道的四种节律波进行了关键节律波、关键通道的选取,对选取出的关键的脑电信号进行分类识别,并与全通道、全节律的脑电信号的分类结果进行了比较。(4)运用支持向量机作为分类器,分别将传统的特征及深度网络学习的特征作为输入,对脑电信号进行分类。同时,深度网络不仅用于特征学习,还用于分类,将得到的各种分类结果进行对比分析,研究发现基于深度信念网络方法的特征学习与分类得到的效果最佳,警觉度的分类的准确率达到94.97%,与基于传统特征的分类精度相比,有了很大的提高。(5)最后基于对脑电信号的分类结果,验证了采用脑电信号分析驾驶员警觉度的可行性。