目前可以采用相关的皮肤电导监控系统来检测人的生理状态,但是有关GSR信号中蕴含的情感信息方面的研究还很少。本文主要研究的是六种情感状态(高兴、惊奇、厌恶、悲伤、愤怒和恐惧)和GSR信号特征之间的对应关系,研究的过程主要分为训练和验证两个阶段。为建立丰富的GSR情感生理数据库,长期招募被试,并利用精心挑选的能够代表高兴、惊奇、厌恶、悲伤、愤怒和恐惧情感色彩的电影片段激发相应情感,采用Biopac公司生产的多通道生理信号采集仪MP150记录各被试的GSR信号,实验过程中,为确保数据的有效性,主试应该密切关注被试在观看影片时的情况并实时标注,再对采集到的原始GSR信号数据进行滤波、标准化和归一化处理。根据主试的标记和电影片段最能激发相应情感的时间段,选取了若干组有效数据,包括：194组高兴数据、159组惊奇数据、82组厌恶数据、221组悲伤数据、224组愤怒数据和189组恐惧数据,并对上述各组数据进行特征提取,提取了能够代表GSR信号变化的30个统计特征,为下一步的特征选择过程做好准备。在特征选择过程中,选用了传统的序列后向选择(SBS)算法和两种改进的粒子群智能优化算法,并选用Fisher分类器。在上述过程中,将目标情感看做第一类,而将其他情感看做第二类。针对基本PSO算法容易陷入局部极小的情况,选用改进的两种PSO算法,其中一种是在添加了惯性权重、邻域搜索和交叉变异算子的混合粒子群(Hybrid Particle Swarm Optimization, HPSO)算法,另一种是将生物免疫系统的自调节理念引入到HPSO算法中,将惯性权重设置成自适应调节形式的免疫混合粒子群算法(Immune Hybrid Particle Swarm Optimization, IH-PSO)1。对比分析上述各特征选择算法寻找到的最优特征组合的验证识别效果,得到的结论如下：(1)SBS算法和PSO算法均在识别恐惧和惊奇情感时效果尤为明显,在识别厌恶情感时效果不佳；(2)在识别特定情感时,智能优化算法PSO获得的验证识别效果都优于传统的SBS算法;(3)采用IH-PSO寻找到的解识别目标情感的正确识别率、第二类情感的正确识别率、最优特征组合的验证适应度都高于HPSO的情况,表明在添加了免疫机制后,能够有效地解决HPSO算法容易陷入局部极值的缺点。(4)从六种情感中任意挑选两种进行一对一识别研究,共比较了15种组合,将与每种情感相关的最优特征组合结果进行对比,找出了在相应情感识别中的较优特征,然后将其与IH-PSO选择到的最优特征组合中特征组成成分进行了比较,找出相同特征,分析出这些特征时最能够反映各情感变化。