La señales de electroencefalograma (EEG) contienen mucha información sobre el rendimiento del cuerpo humano. Con el desarrollo de la tecnología de interfaz cerebro-computadora (BCI), muchos investigadores han utilizado algoritmos de extracción y clasificación de características en varios campos para estudiar la extracción y clasificación de características de las señales de EEG. En este estudio, se investigan las bandas sensibles de datos de EEG bajo diferentes cargas mentales de trabajo. Al seleccionar las características de las señales de EEG, se eligen las bandas con la mayor sensibilidad a las cargas mentales. En este estudio, las señales de EEG se miden en diferentes experimentos de carga de vuelo. Primero, las señales de EEG se procesan mediante análisis de componentes independientes (ICA) para eliminar la interferencia de las señales de electrooculograma (EOG), y luego se calcula la densidad espectral de potencia y la energía para la extracción de características. Finalmente, se selecciona la importancia de las características basada en la impureza de Gini. La precisión de clasificación del clasificador de máquinas de vectores de soporte (SVM) se verifica comparando las características de la banda completa con las características de la banda. Los resultados muestran que las características de la banda son las más sensibles en los datos de EEG bajo diferentes cargas mentales de trabajo.