当今社会信息越发多元化以及复杂化，对于大脑负荷水平的研究能够帮助人对于心理精神状态有更好的把控，比如监测驾驶员大脑负荷水平能防止车祸；监测高危行业工作人员的注意力集中程度能防止重大安全事故的发生。目前通过脑电信号（EEG）进行认知负荷的监测是最常用的手段。在深度学习成为热点之前，基于CSP（共空间模式）的算法是较为流行的分类认知负荷的方法。随着人工智能方法的普及，通过将神经网络应用于大脑认知负荷领域，分类准确率得到了很大的提高。本文运用深度学习的方法对EEG进行了特征提取以及分类。研究工作及创新点主要分为以下三点：
　　1）基于θ、α和β频段的能量谱图提出了一种特征增强图的并行机制。由于EEG生信号数据量过大，通常是通过预处理将信号转化到频域上进行分析。先将大脑θ波、α波以及β波三个频段的脑电波图与图像R、G、B三通道进行结合生成可视化的脑电能量图。然后通过算法弱化了与认知负荷无关的异常能量值对整体的影响，并将源于不同个体的每个实验样本放到同一尺度进行信息的补偿，得到增强后的三通道θ′、α′、β′能量谱图。最后将增强后的三通道θ′、α′、β′与原三通道的θ、α、β并行送入神经网络进行特征提取以及分类，由此构成了并行机制。
　　2）将深度学习中著名且具有里程碑意义的神经网络首次引入到大脑认知负荷分类领域。由于前沿机器学习的神经网络在脑电领域存在一定的滞后性，目前国外学者基于AlexNet,VGGNet在大脑认知负荷分类领域取得了不错的分类效果，但是一些分类效果更好的神经网络尚未在这一领域得到应用。本文首次在大脑认知负荷领域引入残差模块、密集连接等新元素，并在AlexNet、VGGNet以及不同深度的ResNetV2和DenseNet上进行了采用并行机制前后的对比实验，目的在于观察采用所提出并行机制对网络性能的影响。再以ResNetV2-152为例对数据集中每个参与者数据逐一进行了准确率对比实验，结果表明并行机制的准确提高率与被测试个体有关，对于不同个体，提高率不同，范围在0.46%~2.7%之间。
　　3）目前对于四分类认知负荷的识别准确率为91.1%，本文通过将并行机制融入CNN+RNN网络，将整体精度从91.1%提高至93.01%。实验基于CNN+LSTM以及CNN+LSTM/Conv两种框架进行了数据训练及分类。结果表明采用并行机制的CNN+LSTM/Conv框架效果最优，整体准确率达到了93.01%。此外，与ResNetV2-152网络的分类结果相比，13名参与者中3名参与者个体的准确提高率超过了10%。