1.一种基于眼动和脑电数据的认知负荷评估方法，其特征在于包括下述步骤：
step1：基于眼动数据计算认知负荷；
用于计算认知负荷的眼动数据总共有7个指标，分别是：凝视时长、凝视次数、扫视时长、扫视次数、扫视角度、瞳孔面积和眨眼率7个眼动数据，各眼动数据的具体定义如表1所示：
表1各眼动数据解释
接下来，需要对7个眼动数据进行归一化，将眼动数据统一到0～1之间，归一化公式如下：
其中，i的取值范围为{1,2,3,4,5,6,7}，分别代表以上7个眼动数据；x1i表示各眼动数据的原始值大小；x1min和x1max分别表示各眼动数据原始值的最小值和最大值；
将7个眼动数据归一化后，根据支持向量机的决策方程与0的关系来判断认知负荷的高低，基于数据对模型进行训练，训练完成后会得到支持向量机决策方程的两个参数w1和b1，分别为决策方程的权重和决策方程的附加量；
得到两个参数w1和b1后，根据决策方程与0的关系即可判断认知负荷的高低，决策方程如下：
f(x1)＝w1·x1+b1(2)
其中，x1为归一化后的7个眼动数据所构成的向量，通过公式(2)，计算出最终结果，将最终结果与0进行比较，若小于0则为高认知负荷，大于0则为低认知负荷；
step2：基于脑电数据(alpha波)计算认知负荷
脑电数据根据脑电波频率的不同可分为5种，分别是delta、theta、alpha、beta、gamma波，具体下表3所示：
表3脑电数据定义
计算认知负荷时，使用alpha波进行计算，每个alpha波数据中共包含m个数据，m个数据来自于大脑m个不同的部位，m个部位的alpha波脑电数据分别用alpha_1～alpha_m表示，对脑电数据进行归一化处理，归一化公式如下：
其中，i的取值范围为1-m，分别代表m个alpha波脑电数据；x2i表示各脑电数据的原始值大小；x2min和x2min分别表示各脑电数据原始值的最小值和最大值；将m个脑电数据归一化后，同样根据支持向量机的决策方程与0的关系来判断认知负荷的高低；
支持向量机的决策方程如下：
f(x2)＝w2·x2+b2(4)
其中，x2为归一化后的20个脑电数据所构成的向量，通过公式(4)，计算出最终结果，将最终结果与0进行比较，若小于0则为高认知负荷，大于0则为低认知负荷；
step3：将step1、step2计算的2个认知负荷结果进行组合，得到最终结果，结果组合如下公式所示：
(1)if(认知负荷(脑电)＝高)and(认知负荷(眼动)＝高)then(认知负荷＝高)
(2)if(认知负荷(脑电)＝低)and(认知负荷(眼动)＝低)then(认知负荷＝低)
(3)if(认知负荷(脑电)＝高)and(认知负荷(眼动)＝低)then(认知负荷＝低)
(4)if(认知负荷(脑电)＝低)and(认知负荷(眼动)＝高)then(认知负荷＝低)
通过上述规则，可计算出最终的认知负荷。
2.根据权利要求1所述的基于眼动和脑电数据的认知负荷评估方法，，其特征在于：所述step1中，w1和b1的取值分别为：
w1＝[-3.948-0.041,0.355,-0.461,1.155,0.998,-3.521]t
b1＝[1.882]t。
3.根据权利要求1所述的基于眼动和脑电数据的认知负荷评估方法，，其特征在于：所述step1中，各眼动数据原始值的最小值和最大值的取值范围如表2所示：
表2眼动指标的最值
其中，各眼动数据原始值的最小值为x1min，最大值为x1max。
4.根据权利要求1所述的基于眼动和脑电数据的认知负荷评估方法，，其特征在于：所述step2中，权重w2和决策方程附加量b2分别为：
w2＝[-3.186,-3.186,1.243,8.424,-3.432,-1.122,-2.386,1.913,-1.638,-9.523,9.669,-1.049,-7.967,-6.736,1.684,5.207,-9.564,-1.848,1.580,-1.497]t，
b2＝[0.742884]。