精神疲劳已成为影响现代人生产生活的一大问题,随着疲劳的长期积累,会导致严重的健康问题,甚至诱发相关的安全事故,及时发现疲劳状态并充分休息可以有效地防止这些问题的出现。论文针对这一问题,对基于单导脑电信号的便携式精神疲劳检测系统进行了研究,研究内容主要包括以下几个方面:（1）精神疲劳特征提取算法的研究。研究中首先采用小波包变换获取脑电信号δ、θ、α、β四个基本节律信号,以节律信号的相对能量作为疲劳特征。此外,研究中发现非线性动力学参数样本熵也能有效表征不同疲劳状态下的脑电复杂度。因此,将上述两种方法提取的特征进行组合,以更好的反映不同的疲劳状态。利用疲劳和不疲劳状态的脑电信号进行实验研究,对三种特征提取方法进行了比较,实验结果表明基于组合特征的疲劳评估效果显著优于两种基于单一特征的疲劳评估效果,验证了本文提出的结合节律信号相对能量和样本熵的方法是一种更有效的精神疲劳特征提取方法。（2）疲劳状态评估算法的研究。在对传统单核支持向量机算法进行深入研究的基础上,提出了基于双核的支持向量机算法,该方法通过组合具有局部学习能力的高斯核函数与具有全局泛化能力的多项式核函数,得到一个具有更佳性能的双核函数。考虑到基于双核的支持向量机算法的分类效果受参数选择的影响,本文通过粒子群优化算法对双核函数中的惩罚因子、高斯核参数以及核函数权重进行优化,选取最佳的参数值以提高分类器的性能。通过对疲劳和不疲劳状态的脑电信号进行离线分析,验证了经过参数优化后的双核支持向量机的分类性能显著优于未进行参数优化的双核支持向量机,且也优于带参数优化的传统单核支持向量机。（3）精神疲劳检测系统的设计。本文设计了基于单导脑电信号的便携式精神疲劳检测系统,系统由脑电信号采集前端和上位机两部分构成。脑电信号采集前端以神念科技TGAM模块作为核心部件,通过干电极采集受试者单导脑电信号,并以蓝牙无线传输的方式将数据传输至上位机。上位机检测软件采用MATLAB进行设计,包括TGAM数据解包模块、特征提取与模型训练模块、疲劳检测与状态显示模块。系统中特征提取采用的是前述基于节律信号相对能量和样本熵的方法,疲劳评估采用的是前述基于参数优化的双核支持向量机算法。（4）精神疲劳检测系统的实验研究。设计并实施了测试精神疲劳检测系统性能的实验,7名受试者参与了实验研究。在使用所设计系统对受试者所处精神状态进行评估前,利用事先采集的该名受试者不同疲劳状态下的脑电数据对系统评估模型进行训练。实验研究表明本文所设计的基于单导脑电信号的便携式精神疲劳检测系统可对受试者的疲劳状态进行有效检测,系统会显示评估结果并进行存档保存。该系统操作简单,便捷舒适,易于读取,满足智能设备的发展需求。