Micro-expressieherkenning is een groeiend onderzoeksgebied vanwege de toepassing ervan in het onthullen van subtiele intenties van mensen, vooral onder omstandigheden waar veel op het spel staat. Met de snelle toename van veiligheidsproblemen over de hele wereld, heeft het gebruik van micro-expressies om iemands gemoedstoestand te begrijpen grote belangstelling gekregen. Micro-expressies worden gekenmerkt door een korte duur en een lage intensiteit, vandaar dat pogingen om mensen te trainen in het herkennen ervan tot zeer lage prestaties hebben geleid. Automatische herkenning van micro-expressies met behulp van machineleertechnieken belooft dus een effectiever resultaat en bespaart tijd en middelen. In deze studie onderzoeken we het gebruik van Extreme Learning Machine (ELM) voor de herkenning van micro-expressies, vanwege zijn snelle leervermogen en hogere prestaties in vergelijking met andere modellen. Support Vector Machine (SVM) wordt gebruikt als basismodel en zijn herkenningsprestatie en zijn trainingstijd worden vergeleken met ELM trainingstijd. Feature-extractie wordt uitgevoerd op apex micro-expressie frames met behulp van Local Binary Pattern (LBP) en op micro-expressie video’s verdeeld in beeldsequenties met behulp van een spatiotemporele feature-extractie techniek genaamd Local Binary Pattern on Three Orthogonal Planes (LBP-TOP). De evaluatie van de twee modellen wordt uitgevoerd op spontane micro-expressiemonsters van de Chinese Academie van Wetenschappen (CASME II). De resultaten van de experimenten tonen aan dat ELM een hogere herkenningsprestatie levert dan SVM in termen van nauwkeurigheid, precisie, recall en F-score wanneer temporele kenmerken worden gebruikt. Vergelijking tussen SVM en ELM trainingstijd toont ook aan dat ELM sneller leert dan SVM. Een gemiddelde trainingstijd van 0.3405 seconden wordt bereikt voor SVM terwijl een gemiddelde trainingstijd van 0.0409 seconden wordt bereikt voor ELM voor de vijf geselecteerde micro-expressie klassen. Deze studie toont aan dat automatische herkenning van micro-expressies een beter resultaat oplevert wanneer temporele kenmerken en een machine-leer-algoritme met hoge leersnelheid worden gebruikt.