在完成动作类电子游戏和飞行控制任务过程中,人脑均需要运用视觉搜索、精细动作控制、集中注意等多种相同的认知能力。而且不同个体间认知能力的差异也会体现在行为表现和同步收集的脑电图中。因此动作类电子游戏的电生理和行为表现或许可以预测飞行控制任务的表现。然而,前人对人脑认知能力的预测和训练方法大多是基于传统心理范式。本研究将电子游戏作为一种生态化的研究范式,以脑电图技术作为主要研究技术,拟通过运用一系列适合脑电数据特点的机器学习算法,实现对人脑认知能力的游戏化预测。本研究的总体技术路线是,首先采集同一被试的在动作类电子游戏和高仿真飞行搜索任务过程的行为表现和脑电数据,然后通过系统的数据分析找到二者的联系,最后通过机器学习等算法实现游戏化预测。在具体数据分析中,首先进行了预处理,包括带通滤波、重参考、去除眼动伪迹、标记并删除坏段等步骤。其次,采用快速傅立叶变换分别对各数据段进行频谱分析,并且在各频带上利用相位同步公式计算了各脑电片段的平均脑网络连接,从而得到脑电的功率谱和脑网络特征。第三,通过统计分析揭示高水平仿真搜索任务/游戏表现组在唤醒水平、功能抑制水平、注意水平方面与低水平仿真飞行搜索任务/游戏表现组的差异内容。最后,通过机器学习方法实现对不同能力水平被试的分类预测。最终使用支持向量机和不区分游戏事件脑电数据方法,取得的预测准确率可达75.88%;使用支持向量机和关键游戏事件脑电数据方法,取得的预测准确率可达80.09%;使用卷积神经网络深度学习模型,取得的预测准确率可达75.89%。综合脑电特征分析和分类预测结果可以得出:电子游戏与仿真飞行搜索任务在脑电和行为方面具有较高的相关性;游戏内团队作战过程（团战）是游戏过程的关键事件,能很好区分高水平和低水平的认知能力。这些结果表明电子游戏经验与人脑认知能力之间确实存在较高的相关性,可以因此利用电子游戏过程中,尤其是关键事件对人脑的认知能力进行预测和筛选。这些结果支持了基于电子游戏对人脑认知能力进行评估的可行性。此外,相比于传统的量表和心理任务的评估和预测方法,本研究所发展的技术路线具有更好的生态性和客观性,而且成本低廉,在人群中容易广泛推广,因此具有较好应用前景。总之,本研究为未来基于游戏过程指标去筛选飞行操控人员提供了理论基础。