认知负荷可以用来判断学习者的学习状态，对提高学习效率和教学效果有重要意义。任务绩效测量和量表测量等传统认知负荷测量方法，受主观因素影响较大，不能很好的反映学习者的认知负荷。生理测量能去除主观因素影响，但多导仪的生理测量受采集设备体积限制不便于应用到教学场景。同时随物联网和智慧教育的发展 ，智能可穿戴设备已从概念转化为产品进入我们的生活，能对人体的生理数据进行基础监控、评估人体健康状况。基于以上问题和契机，本文采用可穿戴设备采集ECG信号，用生理信号对个体认知负荷进行评估。本文工作概括如下： 1. 硬件电路和实验范式设计：搭建基于可穿戴设备心电传感器的采集电路，设计不同认知负荷实验范式，使用便携方式采集10名健康被试的原始ECG信号。 2. 数据预处理和HRV特征提取：采用小波原理和中值滤波法对心电数据降噪，提取出HRV，再提取HRV的时域（AVNN, SDNN, rMSSD, pNN50%)特征、频域(LF, HF, LF/HF)特征。 3. 认知负荷分类预测模型：采用传统分类算法和XGBoost分类算法对以上特征进行分类，XGboost算法达到92.03%的认知负荷分类准确率。