认知负荷是一种在学习任务状态下施加于认知系统上的心理负荷,适度的认知负荷可以使得学习者的学习效率保持在一个相对最佳的状态,而认知负荷过高则会使得学习者的效率显著降低,长期处于认知负荷不匹配状态会使得学习者放弃继续学习。因此,认知负荷检测对于课堂教学尤其是远程教育中教学质量的提升具有重要意义。心电信号（Electrocardiograph,ECG）和脑电信号（Electroence-phalogram,EEG）作为非侵入性的神经生理测量手段,被广泛用于认知负荷检测,使得远程教育中的认知负荷和学习状态的客观测量成为可能。论文提出基于心电和脑电信号的认知负荷模式识别模型,该模型可以区分静息基线（Base Line,BL）状态与认知负荷（Cognitive Load,CL）状态,并识别认知负荷匹配（Cognitive Load Matching,CLM）或不匹配状态（Cognitive Load Mismatching,CLMM）,帮助教学者检测课堂教学中产生的认知负荷以及学习状态,以便及时调整教学策略。具体的研究内容和结果分为以下两个部分:（1）基于公共数据库的数据样本建立认知负荷生理模式识别模型。首先,从20导EEG信号的每个通道中各提取了 6个特征,从ECG信号中提取了 27个特征,对不均衡的数据集使用Borderline-SMOTE1算法对少数样本进行过采样,以保持两类样本量相等;其次,使用序列后向选择算法和粒子群优化算法,从原始的特征集中选出对上述二分类问题具有显著区分效果的特征子集;最后,采用几种常规分类器对上述二分类问题进行分类。所有分类模型通过留一被试法进行验证,验证结果显示:通过结合EEG和ECG的特征,使用支持向量机（Support Vector Machine,SVM）分类器区分静息基线（BL）状态和认知负荷（CL）状态,取得最高94.4%的准确率（灵敏性=96.1%,特异性=92.9%）,区分认知负荷匹配（CLM）和不匹配（CLMM）状态,获得最高96.3%的准确度（灵敏性=100%,特异性=90.0%）。（2）建立新的认知负荷生理数据集,检验研究内容（1）中的认知负荷生理建模方法的有效性。首先,通过采集30名普通高校大一至大三学生在高数测验任务下的心电信号和脑电信号,根据操作性定义标定数据样本的CL、BL、CLMM或CLM标签;其次,从128导EEG信号的每个通道中提取了 6个特征,从ECG的心率变异性（Heart Rate Variability,HRV）信号中提取了 27个特征,再使用Borderline-SMOTE1算法对少数样本过采样,并将数据集划分为训练测试集和验证集两部分;然后,在特征维度较高的EEG和ECG结合的数据集上,采用粒子群优化（Particle Swarm Optimization,PSO）和序列后向选择（Sequential Backward Selection,SBS）算法相结合的方法进行特征选择;最后使用选定的特征子集在验证集上进行分类器准确性验证。分类结果显示:通过结合EEG和ECG的特征,使用SVM分类器区分静息基线（BL）状态和认知负荷（CL）状态,取得最高80.9%的验证准确率（灵敏性=71.8%,特异性=90.1%）;区分认知负荷匹配（CLM）和不匹配（CLMM）状态,可获得最高66.7%的准确度（灵敏性=56.7%,特异性=76.7%）。上述验证集完全独立于分类器训练和特征选择过程,反映了基于EEG和ECG的认知负荷生理识别模型具有比随机猜测好得多的泛化准确性。论文研究发现:认知负荷状态和静息基线状态具有可区分的神经生理模式;认知负荷匹配和不匹配状态下神经生理模式也是可区分的,但二者的模式识别准确率距离实际应用仍有很大差距。通过机器学习方法来自动判断学习者是否处于学习状态比判断学习任务难度是否适合学习者更难。