近年来,脑电波信号(EEG)的检测与应用技术水平正在逐步提高。随着可穿戴生物传感器的发展,脑健康状态管理取得了突破性的进展。利用可穿戴式脑电仪对EEG的监测分析可以实时获取人体的疲劳程度数据,进而对心脑血管等慢性疾病实现较好的监测和预防。本文针对单电极可穿戴式脑电仪的EEG的疲劳状态智能识别,进行了基于支持向量机(SVM),深度信念网络(DBN),广义回归神经网络(GRNN)的疲劳状态检测的研究。该研究可以准确识别疲劳状态,提供及时的健康预警和调整方案,从而实现对EEG的智能分析和人体健康状态的管理。首先,通过调查问卷调查用户主观疲劳量,结合疲劳检测手环进行EEG数据的疲劳等级标记,以建立疲劳状态数据集。其次,对数据预处理并提取数据的时域特征、频域特征,运用主成分分析进行特征降维。再次,分别以SVM,DBN,GRNN建立疲劳识别模型,计算识别准确率,并对比模型的检验效果。最后,以建立好的GRNN模型进行实时疲劳检测方法研究。实验表明,GRNN模型下EEG疲劳状态识别准确率最高为88.1%。相比于SVM模型与DBN模型,GRNN模型对于EEG的疲劳状态的识别准确率更高,计算速度更快,具有更好的稳定性,对不同的疲劳程度具有更好的区分度。DBN模型相比于SVM模型具有更精准的识别率和更好的分类效果,但模型训练速度较慢。可穿戴式脑电仪可以实现对EEG的疲劳状态的实时检测,对于健康管理和疾病预防发挥了重要作用。