二十一世纪被认为是脑科学的时代,对人类大脑的研究和探索已经成为当代自然科学发展最快最具吸引力的分支之一。脑电信号(Electroencephalogram,EEG)是由脑内亿万神经元活动而引起的头皮表面电位变化,其中包含了丰富的大脑状态信息,而警觉度状态也可以由脑电信号准确、及时地反映出来。根据人的脑电信号分析、监测人的警觉度状态,是计算机科学与生物学的一次有效结合,也是我们了解和利用大脑信息的有效手段。在现代心理学中,警觉度(Vigilance),或持续注意力,是指在一段长时间中保持注意力和警惕性的能力。在许多关键行业中,由于操作人员需要长时间地执行单调而重复的操作,他们会不可避免地发生警觉度下降问题,人们希望用计算机来分析、监测人的警觉度,以满足这些行业的需求。本文基于上述的背景和生理学基础,研究了基于脑电信号的警觉度分析技术,本文针对驾驶员的警觉度监测问题,设计了模拟驾驶实验,提出了完整的脑电信号处理框架,并将脑电信号分类为清醒、困倦和睡眠三类。本文提出了完整的脑电信号处理和警觉度分析框架。我们设计实现了一套完整的解决方案,用于获取脑电信号,处理分析脑电信号,并估计警觉度。相关的处理流程和技术包括:模拟驾驶实验平台,设计了模拟驾驶环境,用于获取脑电信号;脑电信号的去伪迹,我们采用基于独立成分分析的方法从原始脑电信号中去除噪声和伪迹;脑电信号的标定,本文用无刺激的标定方法,通过两名研究员观察模拟驾驶实验时的视频并结合脑电波形,将脑电信号标定为清醒、困倦和睡眠三类;样本的划分,脑电信号被划分成了5秒长的段,每一段作为一个样本,相邻的样本间有2.5秒的窗口重叠;特征提取,本文中采用了三种特征提取方法,也可以使用其他的脑电信号特征提取方法;特征选择,使用基于随机森林的特征选择方法,本文采用了RF-RFE特征排序算法,从特征集中选出对分类结果影响最大的特征子集;分类器训练和分类,使用训练集的样本训练支持向量机,并将测试集的样本分类为清醒、困倦和睡眠中的一类。上述的处理流程,可以作为脑电信号处理和警觉度分析的通用解决方案。由于特征提取是脑电信号处理系统的关键步骤,本文还深入地研究了不同的特征对系统的性能影响。我们提出了一组新的基于连续小波变换(Continuous Wavelet Transform,CWT)的特征,传统的基于CWT的脑电信号处理方法通常只用一个小波函数,在多个尺度上计算脑电信号的小波系数。本文的方法与之不同,我们更深入地探索了如何了从脑电信号中提取出所需要的信息,我们的设计可以使CWT计算的小波系数更加精确地提取出脑电信号中与警觉度有关的信息。结果表明,这样一组基于CWT的特征在我们的算法框架中取得了极高的准确率。本文系统地分析和比较了上述基于CWT的特征和另外两种在脑电信号处理系统中常用的特征,分别基于离散小波变换(Discrete Wavelet Transform,DWT)和分形维数(Fractal Dimension, FD)。优质的特征体现在它不仅能非常准确地提取出脑电信号中能区分不同警觉度状态的信息,同时它必须能以尽可能小的时间代价计算出来。本文分别从分类准确度和计算时间两个因素,分析和比较了这三种特征在我们的算法框架中的性能表现。在我们的实验数据上,三种特征都获得了较高的分类准确率(超过90%),而CWT表现得比其它两种更高一些。但是,在计算时间因素上,CWT特征的表现却远远低于DWT特征和FD特征。FD特征的计算时间几乎可以忽略,而DWT特征的计算耗时也完全可以满足实时性需求,但CWT特征的计算由于需要复杂的变换,而且需要在多个小波函数上计算,因此需要耗费大量时间。本文的研究为今后对实时的脑电分析系统和警觉度监测系统的进一步研究提供了重要的参考,我们预测这样的系统将来会以车载移动设备的形式出现,通过提取驾驶员的脑电信号来实时监测驾驶员的警觉度,并在危险时发出警报,这毫无疑问将大大减少交通事故的发生,具有重要的价值。