警觉度是人能保持长时间专注状态的程度,高警觉度状态下人能及时对外界刺激做出反应从而减轻外界伤害和影响达到自我保护目的。一些职业如司机、医生等需要人长时间保持高警觉度的状态否则就可能由于疏忽导致严重的意外和事故。进行警觉度预测的意义就在于此,通过对警觉度进行预测以及时发现人体状态变化从而进行预警降低发生事故的概率。可用于警觉度预测的输入信号有很多,以驾驶员的警觉度预测为例,脑电、眼电、视频、方向盘握力等多种形态的信号都可以用来预测驾驶过程中警觉度的变化。不同形态的信号从不同的方面反映了警觉度的变化过程。与使用单一信号来进行预测相比,使用多种信号可以使得预测系统准确率更高,鲁棒性更强。而由于不同信号存在的形态不同、刻画警觉度的方式不同,很难通过简单的方法有效地构建同时利用多种信号的警觉度预测系统。近年来深度学习领域的应用和发展给我们提供了新的思路。本研究将探索利用深度神经网络、深度循环神经网络来对脑电、眼电信号进行信息融合,得到抽象的、高层次的特征描述人体警觉度的变化。同时我们还设计了相应的实验采集驾驶员驾驶过程中脑电、眼电信号以及其警觉程度的变化,对本研究中构建的警觉度预测系统进行了验证,证明了其与传统方法相比能更精确的对警觉度变化进行预测。