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且最具吸引力的分支之一。脑电信号(electroencephalo-gram, EEG)源自人脑亿万神经元活动而引起生物电,在头皮部分通过相应的采集设备检测得到,其中包含了丰富的大脑状态信息,人脑的疲劳程度也可以在其中表现出来。根据脑电信号分析和监测人脑的疲劳程度是计算机科学与生物学的有机结合,也是了解和利用大脑信息的有效手段。疲劳是人机交互操作的大敌,在很多需要操作人员长时间执行单调而重复的操作的工作中,疲劳是不可避免的。由疲劳而产生的误操作很可能产生后果严重的工业或交通事故,因此自动分析和检测人的疲劳程度变化成为避免此种事故的重要课题。本文基于上述背景和相关的生理学基础,研究了基于脑电信号的疲劳分析技术,提出了完整的脑电信号处理和疲劳分析方案。本文提出了一种基于稀疏表示分类的脑电信号疲劳分析方法。该方法在每个脑电采集通道上计算频域特征,使用随机降维方法减小特征维数,最后使用稀疏表示分类方法对疲劳程度进行分类。实验结果表明,该方法可以有效识别疲劳状态,在较少的特征维度和训练数据条件下获得了90%的准确率,并且在一定程度上减少了对特征选择的依赖。本文主要贡献如下:首先,建立了一套基于脑电信号的疲劳分析框架,用于获取脑电信号,分析并估计人脑的疲劳程度。相关的处理流程包括:从模拟驾驶实验和图片实验中获取脑电数据;在获取的脑电数据中去除脑电伪迹;对脑电信号进行标记,将疲劳水平标定为警觉、疲劳和睡眠三类;从脑电信号中提取频域特征;对高维脑电信号特征进行选择和降维;使用多种方法从不同角度对疲劳水平进行评估,这些方法包括支持向量机、稀疏表示分类和分层的混合高斯模型。本框架也可作为脑电信号处理和疲劳分析的通用解决方案。其次,根据疲劳状态下脑电的频谱上展现的特性提取4种表征疲劳的频域特征,分别是能量比例、能量方差、平均频率和频率方差,从上千特征中选择特征间冗余度最小而与疲劳水平最为相关的150个特征作为进行疲劳分析的依据,并详细分析了这些特征的重要性和反映人脑疲劳的脑区。第三,将稀疏表示方法引入人脑疲劳分析,使用随机降维较少脑电特征维度,并在较少的特征数量和训练样本数量下得到了准确率较高的疲劳预测模型。最后,本文设计并编写了实时疲劳分析软件系统EGCIL,该软件集成本文所提到的算法并进行实时和模拟的基于脑电信号的疲劳分析。