作为人机交流的桥梁,基于脑电图（EEG）的脑机接口（BCI）旨在将大脑活动直接解码为不同的控制命令,该技术在多个领域大放异彩。近年来过劳死报道频出,工程施工过程中因疲劳施工而导致的死亡人数逐年上涨,因此找到一种高效、便捷的疲劳检测方法成为工程施工安全研究的重点方向。同时,在医疗康复领域,脑电信号也有广泛应用。比如医学康复治疗瘫痪患者和脑控机器人中,通过解码脑电信号,可以分析其中的运动想象信息,实现识别分类想象内容。虽然脑电信号在这些领域已有广泛应用,但仍存在诸多挑战,如应用场景的约束性、运动想象分类的准确性等。基于此,本文主要工作如下:其一,针对传统脑电信号采集设备功耗大高、价格成本高、部署复杂检测慢、不适用于现场使用等问题,本文提出了一种适用于工业环境的安全帽应用的疲劳检测方法,利用低功耗、单通道脑电信号采集模块（TGAM）脑电模块来采集对人体的脑电信号进行采集,考虑到工业环境应用需要,详细探讨了适合安全帽佩戴的脑电电极部署,在折中信号采集的可靠性和实际应用场景部署的可行性方面,设计了适合安全帽的疲劳检测方法,实验证明,测试准确率可达到了83.3%。进一步考虑到应用场景的需求,利用三轴加速度传感器监控佩戴者的头部活动情况,分析了施工过程中人体活动运动状态对检测检测结果的影响,为此本文设置了加速度阈值来提高以免影响检测效果。在轻微活动下运动的情况下,疲劳检测准确度可能够达到65%的准确率。其二,针对运动想象分类任务准确率不高、学习效率低问题,本文提出了一种基于时空特征的运动想象分类方法。目前对脑电信号的研究大多停留在空域分析,却遗忘了脑电信号同时具有极强的时序特性,考虑到CNN在空域分析中的优秀表现和LSTM在时序序列分类时的高准确率,本文设计了一种CNN-LSTM联合模型,来实现运动想象分类。该方法首先对将原始数据进行预处理,滤波、去伪迹和连续小波变换,输入CNN-LSTM神经网络中,可实现96.26%分类准确率。通过实验分析讨论了网络层数和参数对分类准确率的影响,并找最优模型参数。