情绪是每个人都会产生的生理和心理活动,情绪的变化对人们的工作效率、生活态度、决策判断等各方面都有着重要的影响。随着社会智能化水平的不断提高,人们希望人机交互产品能够具有情感智能,即感知用户的情绪变化并做出合适的回应。因此,探究情绪的加工机制,实现准确的情绪识别,对于促进人工智能向情感智能发展,提高人类社会的智能化水平具有重要的意义。在众多脑成像技术中,脑电(electroencephalogram,EEG)因其时间分辨率高、成本低廉、设备便携性好的优势成为当前情绪研究的主流手段之一。情绪作为一种复杂的高级心理、生理活动,通常需要多个脑区的协同配合,在情绪加工过程中不同脑区产生的脑电信号之间也必然有着内在联系。本文从脑网络的角度,围绕“如何阐释不同情绪加工过程中脑网络的变化规律”和“如何面向实际应用提高情绪识别性能”两方面问题,开展了以下研究:1、针对不同情绪加工过程中脑网络连接模式的变化规律和信息处理效率差异尚不清楚的问题,本研究在情绪不同加工过程构建了脑网络,分析了不同情绪状态下的差异脑网络变化规律和信息处理差异。稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)具有高信噪比和高时间分辨率的优势,本文在SSVEP情绪诱发的实验基础上,基于相位同步构建了正性、中性、负性情绪脑网络,通过对情绪不同加工过程的网络连接模式和网络属性分析,给出了不同情绪状态下的脑网络变化规律和信息处理效率差异。实验结果表明:情绪加工的早期P2(210-250ms)阶段,负性情绪的网络连接耦合性强于正性和中性情绪的;情绪加工的中期P3(365-450ms)和late P3(365-450ms)阶段,前额叶与枕叶,前额叶与颞叶之间的长程连接在情绪间表现出显著的差异(p<0.05);情绪加工的晚期阶段SW(500-670ms),负性情绪的网络连接耦合性显著低于(p<0.05)正性和中性情绪的;同时,情绪状态下的网络连接表现出偏侧化效应,即左侧额叶耦合性较强的网络连接与正性情绪相关,右侧额叶耦合性较强的网络连接与负性情绪相关。正性和负性情绪状态下的脑网络比中性情绪状态下的脑网络具有更高的信息处理效率。该研究工作有助于进一步加深对情绪神经机制的理解,并为后续基于脑电网络特征的情绪识别提供了理论依据。2、针对当前脑电频域特征在表达不同情绪类别差异性时性能较弱的问题,本文提出一种基于高频脑网络特征的情绪识别方法。该方法通过精细划分脑电频带,对局部和全局情绪相关脑响应模式进行了分析,发现高频特别是high gamma频带(50-80Hz)内的特征能更有效表征情绪间差异,进而提出了一种融合high gamma频带局部和全局特征的情绪识别方法。实验结果表明,无论是局部特征还是全局网络特征均在高频段表现出显著的情绪间统计差异,特别地high gamma频带的情绪间差异网络连接密度最大,并且出现了从前额叶到枕区的长程连接;高频带的特征分类准确率高于低频带特征的,high gamma频带的融合特征对正性、中性、负性三类情绪平均分类准确率最高,达到87.27%。此外,本文所提出的情绪识别方法,在公开数据集上对六类情绪分类平均准确率达到63.36%比现有最好结果提高8%。实验结果证明本文所提方法能充分利用high gamma频带局部和全局特征的互补特性,可有效提高情绪识别准确率。3、针对情绪识别实际应用中易受到脑电信号非平稳性影响的问题,本文提出了一种自适应分类时间迁移情绪识别模型,提升了在线情绪识别的性能。由于脑电信号的非平稳性,通常同一个人不同时间采集的情绪脑电信号统计分布差异非常大,如何实现时间迁移情绪识别成为在线情绪识别研究的关键问题。本文首先建立了一个69人次(23人每人采集3天)的时间迁移情绪脑电数据库,然后对表征情绪间差异的脑电神经模式进行了稳定性分析,接着以渐进直推式支持向量机(Progressive Transductive Support Vector Machine,PTSVM)为基本模型,给出了三分类情况下的区域标注规则,将经典PTSVM的适用范围扩展到三分类,并通过K近邻算法和迭代过程自适应地提高预测标签置信度,进而提出了一种自适应分类算法模型,以解决情绪脑电的时间迁移分类问题。实验结果显示,稳定表征情绪间差异的脑电特征主要来自前额叶,两侧颞叶,左侧枕-顶叶,右侧枕叶以及后侧枕叶脑区;本文提出的自适应分类模型对正性、中性、负性三种情绪的时间迁移分类准确率达到63.56%,高于传统的SVM分类模型,并且与现有自适应分类模型相比,平均准确率提高4%。研究结果表明,本文所提出的自适应分类模型可有效改善时间迁移情绪脑电分类性能。