情绪是人受到外部刺激时产生的反应,既是人心里产生的主观感受,也是人身体产生的客观生理现象,是一系列语言、生理、行为和神经机制的协调反应。情绪在日常生活、人际交往中起到了很重要的作用。随着科技的发展,人机交互的技术渐渐成熟,受到了越来越多的关注,如果在人机交互的过程中,机器可以自动识别人的情绪,会使交互的过程更加的智能,大大提升人机交互过程中的体验感。同时,情绪的识别可以辅助心理及精神疾病的治疗,在医疗公安等领域都有广泛的用途。本文针对脑电信号的情绪分类算法进行了研究。本文的主要工作如下:1.使用便携式干电极设备构建了包含14人的脑电信号的情绪数据集,脑电信号的类别分别是:积极、中性和消极。通过给参与者观看影片的方法诱导情绪产生。该数据集可用于情绪算法的实验、训练和检验。2.本文提出了一种基于脑电信号的情绪分类算法。该算法主要包含三个步骤:第一步是滤除噪声,利用幅值和小波变换,从时域和频域两方面剔除噪声;第二步是特征提取,分别计算脑电信号的五个重要频带的微分熵,将频带作为通道,将特征转化成五通道的脑电特征图;第三步是训练分类器,分类器主要由三个部分组成,分别是CNN、LSTM和注意力模块,CNN负责学习图像频域和空间域的特征、LSTM负责学习图像的时域关系、根据注意力模块的思想,选取了序列中最为重要的一个片段和LSTM的输出结果并连作为最终的输出向量。同时使用了基于迁移学习的模型训练方法,首先训练网络的非时域部分,保存网络的参数设置,在训练时域网络的时候使用这部分参数进行初始化,减少网络训练的时间成本。3.在公开脑电情绪数据集SEED验证了所提出的分类方法的效果,同时本文选择了另外一种处理多通道脑电特征的方法。本文使用等距方位投影将脑电电极点之间的三维位置坐标投影到二维平面,将特征值以颜色的形式填充进对应的电极位置中,得到与处理单通道脑电信号时输入相似的五通道脑电图,该方法在数据集SEED上同样得到了很好的分类准确率,证明了网络设计的合理和有效性。