EEG-Messungen sind mit der zunehmenden Beliebtheit von nicht-invasiven, tragbaren EEG-Sensoren für neurophysiologische Messungen zur Bewertung der kognitiven Belastung in den Vordergrund gerückt. In dieser Arbeit wurden mit einem tragbaren Vierkanal-EEG-Gerät die Hirnaktivitätsdaten von elf Teilnehmern aufgezeichnet, während sie ein Entspannungsvideo ansahen und drei kognitive Belastungsaufgaben durchführten. Die Daten wurden vorverarbeitet, indem Ausreißer auf der Grundlage eines Bewegungsfilters, einer spektralen Filterung, einer gemeinsamen Durchschnittsreferenzierung und einer Normalisierung entfernt wurden. Aus 30-Sekunden-Fenstern wurden vier Merkmalsgruppen im Frequenzbereich extrahiert, die die Leistung von , , und Frequenzbändern, die jeweiligen Verhältnisse und die Asymmetriemerkmale jedes Bandes umfassten. Es wurde ein personalisiertes und verallgemeinertes Modell für die binäre Klassifizierung zwischen den Entspannungs- und kognitiven Belastungsaufgaben und den selbstberichteten Angaben erstellt. Das Asymmetrie-Merkmalsset übertraf die Bandverhältnis-Merkmalssets mit einer mittleren Klassifikationsgenauigkeit von 81,7 % für das personalisierte Modell und 78 % für das verallgemeinerte Modell. Ein ähnliches Ergebnis für die Modelle auf der Basis von Selbstauskünften macht die Verwendung von Asymmetriemerkmalen für die Klassifizierung der kognitiven Belastung erforderlich. Die Extraktion von High-Level-Merkmalen aus Asymmetriemerkmalen könnte in Zukunft die Leistung übertreffen. Darüber hinaus führt die bessere Leistung des personalisierten Modells zu zukünftigen Arbeiten zur Aktualisierung von vortrainierten verallgemeinerten Modellen mit persönlichen Daten.