Il riconoscimento delle microespressioni è un’area di ricerca in crescita grazie alla sua applicazione nel rivelare le sottili intenzioni degli esseri umani, specialmente in condizioni di alta posta in gioco. Con il rapido aumento dei problemi di sicurezza in tutto il mondo, l’uso delle microespressioni per capire lo stato d’animo di una persona ha ricevuto un grande interesse. Le microespressioni sono caratterizzate da breve durata e bassa intensità, quindi, gli sforzi per addestrare gli esseri umani a riconoscerle hanno portato a prestazioni molto basse. Il riconoscimento automatico delle microespressioni utilizzando tecniche di apprendimento automatico promette quindi un risultato più efficace e consente di risparmiare tempo e risorse. In questo studio, esploriamo l’uso di Extreme Learning Machine (ELM) per il riconoscimento delle microespressioni a causa della sua capacità di apprendimento veloce e delle prestazioni più elevate rispetto ad altri modelli. La Support Vector Machine (SVM) viene utilizzata come modello di base e le sue prestazioni di riconoscimento e il suo tempo di formazione vengono confrontati con il tempo di formazione della ELM. L’estrazione delle caratteristiche viene eseguita su fotogrammi di micro-espressioni apicali usando Local Binary Pattern (LBP) e su video di micro-espressioni divise in sequenze di immagini usando una tecnica di estrazione delle caratteristiche spazio-temporali chiamata Local Binary Pattern on Three Orthogonal Planes (LBP-TOP). La valutazione dei due modelli viene eseguita su campioni di micro-espressioni facciali spontanee acquisite dall’Accademia Cinese delle Scienze (CASME II). I risultati ottenuti dagli esperimenti mostrano che ELM produce una performance di riconoscimento superiore a SVM in termini di accuratezza, precisione, richiamo e F-score quando vengono utilizzate le caratteristiche temporali. Il confronto tra il tempo di formazione di SVM e ELM mostra anche che ELM impara più velocemente di SVM. Un tempo medio di formazione di 0,3405 secondi è raggiunto per SVM mentre un tempo medio di formazione di 0,0409 secondi è raggiunto per ELM per le cinque classi di microespressione selezionate. Questo studio dimostra che il riconoscimento automatico delle microespressioni produce un risultato migliore quando si utilizzano le caratteristiche temporali e un algoritmo di apprendimento automatico con una velocità di apprendimento veloce.