由于生理信号在情感识别中的优势，基于生理信号的情感识别的研究成果已经在人机交互、教育、医疗护理等方面得到应用。用户依赖的情感识别系统已能达到令人满意的结果。然而，实际应用中需要用户独立的识别系统，对新加入系统的用户数据识别率不高。因此构建用户独立模型，选择用户普适的、分类能力良好的生理特征是亟待解决的问题。针对上述问题，文章提出性化归一处理的用户独立模型，对多名被试者观看中性、悲伤、恐惧和高兴四种情感的音视频诱导源时的心电（ECG）和皮肤电反应（GSR）信号，预处理，提取特征，构成情感生理特征库。对被试者各自的四类样本的除以其标准差进行归一化处理，然后PCA降维，并根据样本在主元空间的分布，计算情感样本的聚集度，最后进行分类。对5名被试者的数据实验，结果显示，样本类内聚集度高，类间散度大。交叉验证的识别率高达99%，留一被试验证的平均识别率不足50%，说明该用户独立模型适用用户全采样识别系统，在小采样率空间中识别率不高。本文使用相关性分析和谱聚类算法分析特征冗余度，使用成对约束评分准则对特征分类能力定级。对Aubt、一名被试者和12名被试者的实验结果显示，心电的P、Q、R、S、T间期特征几乎完全相关，可以使用一个特征代替；GSR特征也可以由若干特征组合代替。Aubt和一名被试者的特征库的评分显示，心电信号的周期特征分类能力较强，皮电特征较弱，然而每个特征的分类能力具有个体的差异性。12名被试者特征库的所有特征评分没有明显差异。这说明，个体具有个性的情感生理空间，文章提取的统计特征普适性不高。本文提出的用户独立模型在固定用户的识别系统中有很高的识别率，在小采样率的系统中的不适用的缺陷，可以通过增加样本覆盖率，对被试者群体分类归一化进行改善。文章提取的特征冗余性较大，适当选择特征子集可减少特征维度；特征普适性不高，对构建普适模型产生困难，未来研究工作有必要加入生理基线校准、去量纲的过程，并将个体特征空间映射到通用特征空间。