情感计算是人机交互研究的一个重要分支,是关于什么是情感、情感如何产生以及影响情感又有哪些方面的计算,其目的是赋予计算机识别、理解和表达人类情感的能力。情感计算中一个关键性的研究就是情感状态识别。生理信号情感状态识别的关键就是提取能有效区分不同情感状态的特征。本文以脉搏信号(Pulse)为研究对象,通过提取脉搏信号的主波位置,进而提取脉搏信号在高兴、惊奇、厌恶、悲伤、愤怒、恐惧六种情感状态下的统计特征,另外提取的平静特征用于归一化处理。本文结合遗传算法和Fisher分类器应用于处理脉搏信号的情感状态特征优化问题。论文对脉搏信号进行了情感状态识别的研究,其主要研究内容如下：1)脉搏信号的数据采集：实验通过MP150采集了300多个被试在高兴、惊奇、悲伤、厌恶、愤怒、与恐惧六种情感状态下所激发的脉搏生理信号,实验还采集了被试在平静状态下的信号数据。平静状态下的数据主要用于对六种情感特征进行归一化处理。2)原始脉搏信号的预处理：主要通过小波降噪函数和滤波器去除原始脉搏信号中的毛刺和对原始脉搏信号进行平滑处理。引起脉搏信号不平滑的主要原因有：电源信号的干扰主要集中在高频部分、极限漂移、以及因人体抖动产生的等干扰因素；3)脉搏信号情感特征的提取：对预处理过的脉搏信号进行离散小波变换,重构脉搏信号的高频部分,通过自适应阈值的方法找到脉搏信号主主波的峰值位置,并记录下来,通过脉搏波主波的位置,提取相关统计特征104个。4)脉搏信号情感特征子集选择：文章采用遗传算法和Fisher分类器相结合的方法来对脉搏信号进行特征选择,其中遗传算法是以迭代次数作为进化算法的评价准则函数,对人种情感进行分类识别,选择出能代表六种情感状态的有效的特征组合。在一对一的情感状态识别中,六种情感状态的总体平均训练识别率能够达到72.92%,总体平均验证识别率也能达到69.68%,而在一对多的情感状态识别中,六种情感状态的总体平均训练识别率能够达到68.35%,总体平均验证识别率也能达到65.43%,这就表明了脉搏信号用于情感状态识别时可行的,并能够达到一定的效果。