警觉度受到大脑疲劳程度的影响,大脑疲劳会导致警觉度下降,反应时间变长。例如疲劳驾驶极可能会发生交通事故,因此对疲劳引起的警觉度下降的检测对安全驾驶极为重要。目前,脑电是最有潜力的方法之一,同时被广泛用于各种研究。本论文的目的是通过分析可穿戴脑电系统采集的脑电信后来实现警觉度的检测。首先,通过分析使用湿电极台式脑电采集系统采集的睡眠剥夺脑电数据,发现疲劳会降低闭眼时alpha波的功率。提取脑电的频域特征和时域特征,用前向搜索进行特征选择,建立了回归模型。根据反应时间将脑电分为疲劳和清醒两种状态,提取了四个频带的相对功率作为特征,分别使用人工神经网络和支持向量机建立清醒与疲劳的二分类模型。窗长10s时,应用神经网络得到的正确率为0.99,支持向量机的正确率为0.97;随着数据长度的缩短,当窗长为2s时,应用神经网络和支持向量机对测试集分类的正确率都略有下降,分别为0.95和0.90。随后,根据特征选择的结果,设计了一种包含8导联的脑电头带,其中6导联位于前额,2导联位于枕区。将设计好的头带用于可穿戴脑电系统。通过一个连续的睁眼和闭眼实验检测了头带的测试效果;比较了三种电极(导电纤维电极,爪式干电极,心电贴电极)的阻抗、舒适度、信号质量和睁眼与闭眼二分类的正确率。从而确定了使用导电纤维电极作为前额电极,枕区使用爪式干电极的优化方案。最后,根据选好的电极,使用可穿戴脑电采集系统采集睡眠剥夺脑电数据。分析结果显示达到了湿电极采集的效果,即闭眼时疲劳alpha功率低于清醒时的功率。因为测试时的采集导联少,且不去除噪声导联,所以不仅提取了频域特征,还提取了时域特征用于建立二分类模型。将脑电数据分为清醒和疲劳后,分别采用随机森林、支持向量机和神经网络建立清醒和疲劳二分类模型。分析结果显示:只使用频域特征时,三种分类器的正确率相对较低,增加时域特征后,正确率均有增加,其中神经网络的正确率最高达到0.92。综上所述,本论文研究了基于脑电的警觉度检测算法和可穿戴脑电采集方案,结合特征提取和模式分类检测算法,最终实现了快速有效地警觉度检测算法和舒适方便的可穿戴脑电采集方案,对推动基于脑电的警觉度检测技术的实际应用具有重要意义。