脑疲劳作为一种日益普遍的现象,不仅威胁着人们的身体健康,更威胁着人们的人生命财产安全,尤其近年来,由疲劳引发的驾驶安全事故频出。因此,及时有效地对脑疲劳进行检测和预警,对提高工作效率,保护人们的健康安全具有极其重要的意义。脑电信号更能直接反映大脑皮层疲劳状况,而提取的脑电特征是否有效,将直接性地影响疲劳的检测效果。所以,为了更高速有效地检测出疲劳的发生,本文对脑电疲劳检测应用中多个特征提取方法的有效性进行了研究。本文采用的是已经公开脑电数据集,对信号进行预处理操作后,分别提取样本熵特征、功率谱熵特征、模糊小波包熵特征、SE-CSP特征、PSE-CSP特征和FWPE-CSP特征进行疲劳检测。研究主要分为以下4个部分:（1）基于熵特征提取的脑电信号疲劳检测方法的研究。该方法主要是对预处理后的脑电信号提取样本熵特征、功率谱熵特征和模糊小波包熵特征3种特征集,然后通过使用支持向量机进行分类,最后分别获得了73%、80%、82%的疲劳检测准确率。（2）基于共空间模式的脑电信号疲劳检测方法的研究。该方法主要是通过对预处理后的脑电信号应用共空间模式法提取特征,然后使用支持向量机对提取到的有效空间特征二分类。此外,实验还采用了5折和10折交叉验证法进行评估;探索了脑电疲劳特征矩阵阶数相关系数m的取值;划分了脑区并对各区域疲劳识别准确率进行了比较。研究结果表明:此文方法的识别率高于基于样本熵、模糊小波包熵和功率谱熵等方法的识别准确率,疲劳检测准确率均值可达98.54%,全头皮疲劳识别率最高,额区疲劳识别率优于其他区域,可达92.54%。本研究可为疲劳检测时,电极设备采集的区域提供依据,为设备的简化提供研发方向,提高设备穿戴的舒适性。（3）基于多特征融合的脑电信号疲劳检测方法的研究。本文基于功率谱熵、样本熵、CSP、模糊熵等理论基础,在单一特征提取的基础上,通过多特征方式融合的方法,提出了共空间模式的模糊小波包熵（FWPE-CSP）特征提取法、共空间模式的功率谱熵（PSE-CSP）特征提取法、共空间模式的样本熵（SE-CSP）特征提取法这3种多特征融合方式。经过实验,FWPE-CSP获得了准确率为89.38%,AUC=0.9804,TNR为92.5%,TPR为87.3%的疲劳检测效果;PSE-CSP获得了准确率为86.1%,AUC为0.962,TNR为86.8%,TPR为85.6%的检测效果;SE-CSP准确率为87%,AUC为0.967,TNR为88.7%,TPR为85.8%的检测效果。相较于单一的模糊小波包熵特征提取法,FWPECSP特征提取法将准确率提高了7.38%;PSE-CSP特征提取法,疲劳检测准确率提升了16.1%,AUC、TNR、TPR的指标也相对较高;SE-CSP特征提取法相较于单一的样本熵提取法准确率提高了7个百分点。相较于单一的特征提取法,多特征融合方式疲劳检测效果均有所提升。（4）基于脑电信号的4节律CSP脑劳特征提取的研究。为了获取多元化特征提取方式,了解各节律与脑电疲劳的关联性,这里通过对脑电信号划分频段的方式,对4种不同的节律提取脑电CSP特征,从而探索基于节律的疲劳检测效果。基于CSP特征提取方法的探索,选取阶数相关系数m=4和m=5,选择10折交叉验证和5折交叉验证两种方式,经由SVM通过5次交叉验证,基于4种节律的CSP特征提取方法进行脑电信号疲劳检测的方法均可获得80%以上的疲劳检测率,β和δ两种节律的CSP特征与疲劳检测的关联性更强。其中,在m=5,采用5折交叉验证时,基于δ的CSP特征提取方法可以获得最高的平均检测率为93.9%,此时AUC为0.976,TPR为93.9%,TNR为93.9%,检测效果最佳。