提取特征是利用脑电(EEG,electroencephalography)信号来进行情感识别的关键点之一。特征提取一般有时域、频域、时频以及线性、非线性方法,其中大多数方法获取的是大脑的整体特征,而涉及大脑中各脑区之间的相互联系与作用的方法较少。近年来,图论方法以及脑网络概念在基于EEG的情感识别领域受到研究者们的广泛关注。本文利用脑电信号之间的Ganger因果关系来描述脑网络的动态特征,将大脑各区域之间的因果信息流向关系作为特征来进行情感识别。鉴于人情感变化时不同脑区与频段间脑电(EEG,electroencephalography)信号会交互作用、形成因果相关信息流,其特征应是情感识别的关键点。因此拟将不同脑区通道、不同频段的EEG信号之间Granger因果系数差值作为特征在愉悦度、唤醒度以及控制度这3个维度上分别进行二分类的情感识别以进一步提升其效果。采用国际情感数据库Deap数据集,首先利用小波包变换将脑电信号分解成θ、α、β、γ4个频段,用双密度双树复数小波变换来对信号进行去噪,再分别计算不同频段以及不同频段两两组合下的各个脑区之间的因果关系值,将得到的每个频段以及频段组合的因果系数作为单独的特征,使用SVM(support vector machine)进行分类,对比使用不同频段的特征的识别率。根据实验数据,将识别率高(>70%)的频段特征送入分类器,情感分类与识别对象是单独被试,32名被试的平均识别率为96%,使用功率谱密度(PSD,power spectral density)、不对称系数(AI,asymmetry index)、能量、熵这4种特征的识别率为80%左右,因此将Granger因果关系用于基于脑电的情感分类与识别是一种有效提高情感识别率的方法。动态的脑网络研究一般涉及脑电信号的幅值、相位以及频率等基本属性。因此拟将不同脑区的脑电信号相位之间的因果关系作为特征来进行情感的分类识别,并采用lasso正则化算法对Granger因果方法进行规范化。先对脑电信号进行分解频段和去噪,并利用Hilbert变换计算脑电信号的瞬时相位,再利用lasso-Granger方法计算各个频段下不同脑区之间的因果关系。为了避免维数灾难以及受到冗余特征的影响,采用最小冗余最大相关算法(minimal redundancy maximal relevance,mRMR)进行特征选择。最后使用SVM对单独被试的样本数据进行训练和分类,平均准确率为86%,高于PSD,AI,能量和熵值特征的识别率,实验结果说明将脑电信号相位之间的因果关系作为情感识别的特征是一种有效方法。