情绪是一种复杂的心理现象,作为人脑高级功能的体现,与人类的生存息息相关,正确的识别情绪在许多领域都具有实际的应用前景。随着脑成像技术的不断提高与机器学习算法的逐渐成熟,脑电信号(EEG)因其时间分辨率高、不易受主观意识控制、与情绪状态相关性强等优势,成为情绪识别研究中的热门选择。为了满足现实应用场景,探索实现便捷且实时的情绪识别系统,所在课题组已做出部分工作,通过F-score选择算法及支持向量机(SVM)分类算法,从64个脑电电极通道中筛选出分类率为81.15%的5个导联组合:FT7、T7、FC4、TP10、O1。为验证五导联脑电通道在情绪识别研究中的有效性,本研究在通道优化选择的基础上构建了基于五导联的情绪识别研究。研究主要分为三个阶段:第一阶段,基于情绪图片诱发范式,诱发50名男性被试产生低效价低唤醒(LVLA)、高效价低唤醒(HVLA)、低效价高唤醒(LVHA)、高效价高唤醒(HVHA)四类不同情绪并使用SAM对情绪诱发效果进行自评,同时通过定制的五导联(FT7、T7、FC4、TP10、O1)无线脑电采集设备采集脑电信号。第二阶段,对不同情绪状态下的脑电数据进行预处理,利用小波包变换8层分解脑电数据,提取前21个节点的能量、均值、标准差以及8阶自回归参数作为特征,通过R的Keras包,使用TensorFlow,以前馈深度神经网络(FFDNN)训练建立情绪状态预测模型。第三阶段,基于现有研究基础,设计情绪识别系统的基础功能,并对其呈现界面原型进行设计并展示。研究的主要结果如下:(1)情绪诱发阶段SAM自评结果表明,四类情绪在效价、唤醒度两维度的评分上具有显著差异(p＜0.001),其中低效价高唤醒(LVHA)的情绪诱发效果最好。(2)对于四类情绪的识别问题,本研究所构建的情绪分类模型其平均准确率约为61%。进行训练时最优的参数组合为:隐层1单元数:100,隐层2单元数:70,型样数:250,每次迭代所使用的样本量为400。因此,本研究立足于少数电极导联、无线脑电信号采集与深度学习建模的方式来进行四分类情绪识别的研究,五导联脑电通道在情绪识别研究中达到61%的识别准确率。这是实现实时情绪识别的一种新尝试,虽然与前期实验所建立的预测模型相比,没有达到相似的预测效果,但是通过对产生差异的原因进行分析,为后续研究提供了一定的现实参考价值。