情绪是人类在与外界环境交互的过程中,对外界刺激产生的一种重要的表达方式,无时无刻不在影响着我们生活的各个方面。准确的识别人类的情绪状态,进一步应用于人工智能,可以更好地改善和辅助人类的生活。因此,近年来情绪识别相关的研究引起了许多人工智能领域学者的关注。目前研究中的情绪识别大多数是基于人的外部行为特征进行的,如面部表情、手势动作等。相比于外部的行为特征,生理特征更能客观地反应人类的情绪变化。人类生理信号主要包括脑电信号(EEG),眼电信号(EMG),肌电信号(EOG)等,其中脑电信号与情绪的关系最为紧密。基于脑电信号进行情绪识别的相关研究,旨在提取更有效的特征信息,提出更有效的分类算法。但当前此项研究中存在识别准确率较低的问题,针对此问题,本文从脑电信号的预处理、特征提取、分类方法三方面入手,对基于脑电信号的情绪识别进行研究。除此之外,为了便于数据的实时传输及后续硬件方面的开发,本文还将在通道选择方面进行了研究。本文具体的工作及成果总结如下:1、在预处理方面,由于实际操作中通过设备采集到的脑电信号是极其微弱的,其中还包含着一些伪迹和其他噪声干扰,本研究通过预处理对采集到的信号先进行去除噪声,从而获取到比较纯净的信号。2、在特征提取方面,针对于当前时域特征信息不完全与时频能量计算方式导致的识别准确率低下的问题和脑电信号不平稳的问题,本研究提出了短时幅值和等价替代能量与不对称熵结合的脑电信号特征提取方法,降低了能量计算方式引起的较大误差,凸显了右脑的信号特征,从而提高了情绪识别的准确率。3、在分类算法选取方面,我们采用在很多数据挖掘比赛中表现优异的集成学习模型Light GBM进行最终的情绪识别。在DEAP数据集上进行实验研究,与之前的一些研究相比,本研究中的情绪识别准确率达到98.16%。4、在通道选择方面,EEG的数据大都是多通道采集,考虑到并不是所有通道都和情绪识别相关,且通道数量太多会影响数据传输速率,本研究提出了改进的基于Relief F的通道选择算法。DEAP数据集上的实验表明,在确保识别准确率的前提下,该算法最终筛选出16个通道,识别准确率没有明显降低的情况下使通道数减半,保证了数据传输的实时性。