随着现代社会科技水平的发展,在诸如载人航天、飞机驾驶、潜艇深海作业等操作复杂性较高的工作中,对操作人员的脑力负荷进行实时检测,实现脑力负荷的评估并进行反调节以合理地控制操作人员的工作时间,对操作人员的身心健康和安全都有着重要意义。脑电特征的维度较高,容易发生过拟合,因此在对特征训练前进行特征选择具有必要性,并且特征选择有益于研究不同节律和不同脑区的电极点对脑力负荷的影响大小。目前的研究中主要通过主成分分析、遗传算法对脑电特征进行特征选择,但主成分分析法属于无监督降维,无法衡量每个特征对脑力负荷的影响大小,而遗传算法的消耗时间长,因此本文提出利用机器学习方法进行特征选择。另外,在脑力负荷分类器的选择上,传统的支持向量机、逻辑回归等算法对组合特征权重的学习有所欠缺,提出引入因子分解机算法(Factorization Machine,FM)作为分类器来训练脑电特征。本文针对模拟飞行员脑力负荷检测问题展开研究,对15名被试进行低唤醒、适中负荷、高负荷下的模拟飞行任务实验,采集到三种负荷任务下的脑电信号。首先对原始脑电信号进行去伪迹处理,并通过计算功率谱密度提取信号的能量特征,最终获得120维脑电特征。利用机器学习中的L1正则和基尼不纯度法对120维脑电特征进行选择,通过对15名被试实验结果的分析,提出?节律下特征重要程度明显大于其他节律下特征重要程度,且相比其他区域,颞叶区和枕叶区的电极特征对脑力负荷变化有更重要的影响,可将其它节律和区域的特征滤除从而实现对特征降维。基于电极点之间的联系,希望寻找一种算法能更深入的挖掘组合特征,提出引入因子分解机(Factorization Machine,FM)算法作为脑力负荷分类器,该算法对权重进行向量化,能够提高组合特征权重的表达性。相比未进行特征选择和传统支持向量机算法建立模型,本文提出的特征选择结合FM算法的脑力负荷检测模型更加具有可解释,且模型泛化能力得到提升。