人类的情感不仅包括心理反应和生理反应,还反映了人的自身需求和主观态度。研究表明人类情感的产生或活动与大脑皮层的活动相关度很大,这为通过脑电信号研究情感分类提供了依据。随着脑科学的迅速发展和各个学科的深入研究,通过脑电信号进行情感识别逐渐成为一个热门课题。但不同受试者在不同时间所诱发脑电信号间的差异对情感分类的影响,以及如何提取有效的脑电情感特征来确保情感识别得到更高的准确度和更好的鲁棒性,仍是脑电情感分类研究亟待解决的问题。针对这些问题,本文进行了如下研究:(1)研究如何减小脑电信号日间差异和波动对情感分类性能的影响,提高基于脑电的情感分类的鲁棒性和准确率。采用的数据集一是采集12个人连续五天的脑电数据。该数据集便于研究同一受试者在不同天,所诱发的脑电信号之间的波动和差异对情感分类的影响。采用两种方法进行研究。一种方法是采用数据空间自适应和共空间模式算法对脑电数据集进行处理。先对脑电数据集采用数据空间自适应算法与共空间模式算法进行处理,使不同天所采集的脑电信号之间的差异最小化,类间的差异最大化。最后提取出脑电信号的功率谱密度特征、微分偏侧与差异因果特征。另一种方法是采用共空间模式结合小波包分解的算法对脑电数据集进行处理。先对脑电情感数据采用共空间模式算法寻找最优子空间,然后采用小波包分解算法进行时频域分解,最终提取出小波包能量特征。对这两种方法处理后提取的特征,分别采用Bagging tree、支持向量机、线性判别分析和贝叶斯线性判别分析算法进行情感分类。由两种方法的实验结果可知,共空间模式结合小波包分解的脑电情感分类,能够缓解脑电日间差异对情感分类的影响,并且分类精度高达86.20%,提高分类性能的有效性。(2)研究如何通过多特征提取及组合方法提高脑电信号情感分类的鲁棒性和效率。采用数据集二,该数据集来自DEAP数据集,它不仅包含脑电信号,还包含外围生理信号,它所包含的数据量较大,以便于研究多特征提取及组合方法提高脑电信号情感分类的鲁棒性和效率。采用经验模式分解与小波包分解两种方法分析脑电情感数据,然后分别提取平均能量、波动指数、样本熵、近似熵、多尺度排列熵和Hurst指数等特征,选择特征进行特征组合,对组合后的特征集进行分类,从而寻找出性能最优的特征组合。由实验结果可知,脑电信号经过小波包分解后,提取的样本熵与近似熵的特征组合能够更好地表征脑电情感信号的主要特征,分类准确率高达95.54%。