В статье представлен подход к выявлению нейрофизиологических маркеров утомления на основе анализа сенсомоторных ритмов ЭЭГ с применением методов глубокого обучения. Предложена методология формирования спектрограмм из многоканальных ЭЭГ-сигналов, включая нормализацию, предобработку и сегментацию данных. Проведено сравнение трех адаптированных архитектур сверточных нейронных сетей (EEGSpecResNet2D, EEGSpecMobileNetV3, EEGSpecAlexNet) в задачах многоклассовой и бинарной классификации фаз утомления. EEGSpecResNet2D продемонстрировала наивысшую точность и устойчивость к переобучению. Дополнительно анализировалась динамика обучения и визуализировались особенности распознавания паттернов в промежуточных фазах выполнения задачи. Полученные результаты подтверждают эффективность архитектур с остаточными связями и анизотропной обработкой сигналов в задачах мониторинга когнитивной нагрузки. Работа демонстрирует потенциал нейросетевых моделей в разработке BCI-интерфейсов для оценки и прогнозирования функционального состояния оператора.