Rozpoznawanie mikroekspresji twarzy jest rosnącym obszarem badawczym ze względu na jego zastosowanie w ujawnianiu subtelnych intencji człowieka, szczególnie w warunkach wysokiej stawki. Wraz z gwałtownym wzrostem kwestii bezpieczeństwa na całym świecie, wykorzystanie mikroekspresji do zrozumienia czyjegoś stanu umysłu spotkało się z dużym zainteresowaniem. Mikroekspresje charakteryzują się krótkim czasem trwania i niską intensywnością, dlatego też wysiłki mające na celu wyszkolenie ludzi w ich rozpoznawaniu dały bardzo niskie wyniki. Automatyczne rozpoznawanie mikroekspresji przy użyciu technik uczenia maszynowego daje lepsze rezultaty, oszczędza czas i zasoby. W niniejszym opracowaniu badamy zastosowanie Extreme Learning Machine (ELM) do rozpoznawania mikroekspresji ze względu na jej szybkie uczenie i wyższą wydajność w porównaniu z innymi modelami. Maszyna wektorów nośnych (SVM) jest używana jako model bazowy, a jej wydajność rozpoznawania i czas szkolenia są porównywane z czasem szkolenia ELM. Ekstrakcja cech jest przeprowadzana na ramkach wierzchołkowych mikroekspresji przy użyciu Local Binary Pattern (LBP) i na wideo z mikroekspresją podzielonym na sekwencje obrazów przy użyciu techniki ekstrakcji cech przestrzenno-czasowych zwanej Local Binary Pattern on Three Orthogonal Planes (LBP-TOP). Ocena obu modeli przeprowadzana jest na próbkach spontanicznych mikroekspresji twarzy pozyskanych z Chińskiej Akademii Nauk (CASME II). Wyniki uzyskane z eksperymentów pokazują, że ELM daje wyższą wydajność rozpoznawania niż SVM pod względem dokładności, precyzji, przywołania i F-score, gdy używane są cechy temporalne. Porównanie czasu treningu SVM i ELM również pokazuje, że ELM uczy się szybciej niż SVM. Średni czas szkolenia 0,3405 sekundy jest osiągnięty dla SVM, podczas gdy średni czas szkolenia 0,0409 sekundy jest osiągnięty dla ELM dla pięciu wybranych klas mikro-wyrażeń. Badanie to pokazuje, że automatyczne rozpoznawanie mikroekspresji daje lepsze rezultaty, gdy używane są cechy temporalne i algorytm uczenia maszynowego o szybkim tempie uczenia.