警觉度,也被称为持续注意力,是人类关注力的一种重要类型,与生活工作的认知活动密切相关。在关键岗位任务中许多人机交互的系统也需要操作员警觉度保持在特定水平。但大量研究表明随着任务时间的变长,以及任务的难度加大都会导致警觉度的下降。为了避免因警觉度下降带来的损失,对警觉度进行监测并采取弥补措施十分重要。本论文以提高警觉度评价的准确率为目的对基于脑电信号的警觉度进行了分析研究,设计了相关实验。本文介绍了警觉度的定义,研究现状与发展趋势及研究意义,以及脑电信号的特点、分类、采集分析方法。综合总结了基于生理信号、图像信息、执行力等方面评价警觉度的优缺点,提出基于EEG信号的警觉度评价方案。针对脑电信号在采集时噪声过大,信噪比过低,对脑电信号进行预处理,利用中值滤波器移除基线漂移,巴特沃斯滤波器移除50Hz工频干扰,切比雪夫滤波器移除高低频干扰,希尔伯特-黄变换去除眼电干扰。去除伪迹和干扰后,对得到干净的脑电信号利用PSD、AR、STFT分别提取警觉度相关特征,再利用来自睡眠数据库的数据验证相关算法。之后将提取的脑电特征分别用SVM及BP神经网络分别训练,为提高警觉度分类准确率较低的问题,提出决策融合的方法,将决策融合与SVM支持向量机与BP神经网络分别结合起来,后期再利用第四章采集到的数据对比分析融合前与融合后的准确率。在MATB-II平台开展基于剥夺睡眠的低警觉度诱发实验,结合KSS评价量表展开PVT反应测试的实验来评价警觉度,同步采集脑电信号与实验数据,并对实验数据整理标记,得到警觉度数据集,将数据集分为训练和测试集,将训练数据集训练分类器,测试集用于测试分类器效果。对数据的分析发现,低警觉度与高警觉度可以由分类器很好地分类,基于SVM支持向量机的决策级融合警觉度分类可高达88.5%,基于BP神经网络决策容警觉度分类可高达84.7%,比融合前的分类准确率有明显提高。实验数据及相应结果证明了本论文警觉度评价的有效可行性。