情绪是人体生理表现必不可少的一部分,同时情绪识别的研究在人工智能领域越来越受到研究者的关注。人脑部活动的变化反应人的情绪变化,因此很多情绪识别的研究都是基于脑电信号进行的,如何利用获取的脑电信号对人的情绪进行准确有效的解读,是全世界此课题研究者关注的热点问题。本文主要针对情绪脑电信号的处理、特征提取以及分类问题做了研究,利用脑电情绪数据库(DEAP数据库)建立二维情绪分类模型,将情绪分为压力和平静两种状态。主要研究内容:1、研究了情绪脑电信号的特征提取和识别方法。脑电信号的特征一般从时域、频域和时频域三个方面进行研究,而情绪脑电特征大部分表现在信号的频域特性上。本文首先选择采集信号时大脑前额区的7个电极作为研究对象,将脑电信号利用db4小波分解与重构算法分在5个频段进行研究,分别在每个频带上提取不对称特征、近似熵和排列熵。论文分析比对了各个特征和组合特征在各个频带使用支持向量机分类的准确率,实验结果表明利用本文所使用的组合特征对情绪进行分类有着良好的分类效果,并且得出脑电信号的情绪识别关键频段在β频段的结论。2、研究了情绪的分类算法,本文提取到的样本总数为270个,属于小样本种类,首先选择K近邻算法和支持向量机对所提取的特征进行分类效果分析,通过试验可以看出支持向量机比K近邻算法的分类效果好,通过实验对比选取的支持向量机核函数为径向基核函数。然后利用遗传算法和其他优化算法对支持向量机的参数进行优化,对比优化效果,通过实验可以得出使用遗传算法优化支持向量机参数的分类效果优于其他几种优化算法,平均识别率达到了83.88%。与本文使用同一数据库的研究者大多只使用熵特征的方法进行特征提取,利用支持向量机分类,识别率大多在70%到80%之间。本文在此基础上结合大脑的不对称性,利用不对称特征、近似熵和排列熵进行组合,并且利用优化算法对支持向量机参数进行优化,对情绪识别的分类效果有明显提升。