警觉性的缺失是造成交通事故的最重要原因之一,良好的警觉度估计模型对预防交通事故有重大意义。脑电可以客观反映人的生理心理状态,近年来,使用脑电信号对人的警觉度进行估计的研究受到了越来越多的关注,研究人员围绕着这个问题提出了各种模型和方法围绕着这一话题被提出。这些研究讨论的几乎都是对单个驾驶员进行模型的构建,训练和应用,这需要在训练模型之前获得一定量驾驶员的脑电数据和对应的警觉度标签。然而,警觉度估计问题中带标签数据的采集是相当费时费力的,这是导致目前大多数模型很难直接应用到实际环境之中的原因之一。为了解决这个问题,可以构建跨被试的警觉度估计模型,并使用域适应方法消除驾驶员之间的特征分布差异,从而使得模型可以在不同被试的数据上进行训练和测试。这样,来自不同驾驶员的带标签数据就可以用来训练适用于目标驾驶员的警觉度估计模型,目标驾驶员只需要提供无标签数据即可。在本课题中,我们使用基于对抗网络的域适应方法来消除不同来源数据的分布差异,这类方法在图像领域的研究中展现出了很好的性能。作为对比,我们还同时讨论了其它几种传统的域适应方法,它们都没有应用对抗训练的思想。我们使用SEED-VIG公开数据集对各种方法进行评估。SEED-VIG数据集包含了在虚拟驾驶环境中从23名被试记录下的脑电、眼电数据,以及对应的实时PERCLOS指标数值作为警觉度标签。我们结合多模态融合方法,提取前额脑电和眼电特征作为输入数据以保证模型的准确度和稳定性。通过分析比较测试结果,我们发现基于对抗网络的域适应方法有效提高了跨被试条件下的警觉度估计精度(相较基线方法提升超过10%),相对其它方法具备较好的稳定性。