脑机接口技术(Brain Computer Interface,BCI)是一种不依赖人类神经肌肉,通过计算机对脑电信号的识别,建立人脑与外部环境之间的通讯通道,来实现人机交互的一种技术。该技术在军事、医学、人工智能等领域都有很好的应用前景,许多脑机接口领域的研究方向均取得了不错的成果。情绪脑电的识别就是其中一个方面。人类的情绪总是能轻易地被隐藏起来,面部表情,手部动作等外部特征很容易被抑制,而脑电信号,心跳频率等生理特征则很难被伪装。情绪脑电的研究是通过分析不同个体的脑电信号,来识别不同的情绪,能广泛应用在商业、测谎、医学等领域。如何提高不同情绪的识别准确率是一个值得研究的问题。本文的研究内容主要包括:1.对脑机接口以及情绪脑电信号的研究进行了详细的介绍分析,对传统的情绪脑电识别方法和特征提取方法作了简单的概括。为了对比深度学习方法和传统方法的优劣之处,我们采用了两种卷积神经网络(Convolutional Neural Net,CNN)结构,分别是根据FBCSP(Filter Bank Common Spatial Pattern)算法设计的浅层网络以及传统的深层卷积网络。我们将脑电信号直接作为网络的输入,与使用支持向量机对不同的人工提取特征进行分类的结果进行对比分析。结果显示卷积神经网络的识别率要高于绝大部分的特征,和差分熵(Differential Entropy,DE)特征的分类准确率相差不多。2.本文设计了两个实验,单被试实验和跨被试实验对三种情绪(积极、中性、消极)的脑电信号进行分类。其次,我们还将不同频段、不同时间长度的脑电样本作为CNN输入,并分析对比实验结果,高频段的结果要优于低频段,仅次于全频段信号。针对三种情绪的具体差异,最后我们还设计了情绪脑电的二分类实验,用于对比不同情绪的识别情况,积极情绪是识别率最高的,其次是中性,最难识别的是消极情绪。为了验证CNN的性能,SEED和DEAP两个情绪脑电数据集被用于本研究。对比实验结果,本文所使用的浅层CNN与绝大部分传统方法相比,分类性能有了不错的提升,在单被试与跨被试实验均达得了很好的准确率,尤其是跨被试实验的分类结果远高于传统特征提取方法,说明CNN能够在情绪识别领域提供很大的帮助,有很好的研究意义。