脑力负荷指在一定时间段内执行特定任务所付出的认知资源。研究表明脑力负荷过载或欠载都会导致人因失误，通过对操作者的脑力负荷进行监测，可以使任务执行效率和生产安全性都得到大幅提高。但在目前的脑力负荷识别研究中，识别正确率和时间鲁棒性都有提升空间。本研究拟通过多种生理信号，探索更多对脑力负荷变化敏感的特征，并利用混合特征实现脑力负荷分类识别，探究提高模型时间鲁棒性的方法。
　　本研究共招募了20名健康被试，每名被试需完成两次间隔48小时以上的实验，每次实验需要被试执行不同难度的脑力负荷任务并采集脑电、功能性近红外光谱、眼动和心电4种生理信号。在全部实验结束后对脑力负荷敏感特征进行提取和筛选，构建脑力负荷分类模型，并采用静息态归一化等策略提高脑力负荷分类模型的时间鲁棒性。
　　在脑力负荷敏感特征提取与筛选阶段，本研究得到了如下结论：枕区、中央区与前额叶位置的部分频带的功率谱密度可以对脑力负荷状态进行有效区分，且时间分辨率较高，可以及时地测量出脑力负荷变化；瞳孔直径、眼跳持续时间、眼跳幅度、眼跳平均加速度等特征可以对脑力负荷状态进行区分。利用静息态归一化后的相对瞳孔直径对脑力负荷变化敏感，且在跨时间实验中的结果具有一致性；氧合血红蛋白浓度与脱氧血红蛋白浓度可以准确地区分不同脑力负荷状态，但需要较长的采样时间；本研究对心率变异性进行了时域分析，其中正常R峰之间的平均间隔可以区分不同脑力负荷状态。
　　在建模与分类阶段，本研究对比了逻辑回归、随机森林、线性支持向量分类和Nu支持向量分类4种机器学习算法的性能，最终选取线性支持向量分类算法建立脑力负荷分类模型，输入特征为98维脑电特征与2维眼动特征。可以在兼顾分类正确率的同时，利用较短的采样时间(1s)和较少的特征维数(100维)对脑力负荷进行准确分类。利用单次实验数据作为测试集，分类正确率达到了94.25%，利用跨时间数据作为测试集，分类正确率达到了85.51%。
　　本研究从多种生理信号中探索出更多的脑力负荷敏感特征，并使跨时间的脑力负荷分类正确率相对近年来的研究有所提高，在脑力负荷测量领域进行了深入的探索，为实时脑力负荷测量设备的研发提供了算法上的帮助。