情感是一个心理-生理的过程,对情感进行判断、评估已经融入到我们生活的方方面面,在众多领域已经取得很好的发展。论文的主题是围绕脑电信号进行情感分类识别,研究了在这个过程中所涉及到的通道选择和特征提取方法,目标是为了获得更好的情感识别准确率。论文重点介绍了脑电信号的处理流程,特征提取、特征选择、通道选择、以及最终的情感分类算法,并在公开的DEAP情感数据集上进行测试训练和验证,取得了高达94.2%的识别精度。首先是脑电数据的预处理,论文使用功率谱密度和相干性计算来决定数据通道的选择,不仅可以剔除掉冗余特征,将与情感密切相关的特征选择出来,还大幅度降低了数据维度和数据规模,方便之后的特征提取。对于特征提取,论文使用经验模态分解算法和样本熵结合进行特征提取,前者用来分解脑电信号,它的自适应性对应解决脑电信号的非线性特点,至于样本熵算法,则可以解决脑电数据的波动特性。两者相互配合,可以实现很好的处理效果。最后详细介绍特征分类方法,并使用SVM进行情感分类识别。对于最终结果,论文重点关注特征提取中的三个变量,分别是数据序列长度N,相似容限r和嵌入维度m,根据结果分析它们对于结果精度的影响,从而得出较优的参数组合。最后将结果与其他使用DEAP数据集进行情感分类的研究论文结果作对比,发现精度提高了很多,具有很好的科研价值。