【摘要】在飞行等高风险、高复杂度任务场景中，准确监测脑力负荷已成为提升工作效率和保障安全的关键。然而，现有的脑力负荷评估方法多依赖单一模态信号，这些方法在跨个体和跨天等情境下的泛化性能较差。因此，提出一种基于多模态生理信号融合的脑力负荷评估方法：采用COG-BCI数据集，选取其中多属性任务组（MATB-II）的脑电和心电生理信号数据，提取脑电功率谱密度在内的多类关键特征，通过均方差系数、最大互信息系数及单因素方差分析对特征进行筛选和融合，构建基于随机森林与极限梯度提升算法的模型。结果表明：所提融合特征和方法有效提升了模型性能，在当日脑力负荷识别中平均准确率达到93.8%，在跨天场景中平均识别精度达到86.1%。采用多模态生理信号融合方法，有效提升了跨个体和跨天场景下的脑力负荷评估准确率。

【关键词】脑力负荷；人机工效学；脑电；生理信号；状态监测

【作者】韩明秀，刘心怡，王煜文，牛海军，柳忠起，刘涛