情绪在人类的感知、推理、决策的过程中扮演着极其重要的角色,长期以来,对情绪的研究只存在于心理学和认知科学领域。近年来,随着人工智能的发展,情绪研究与新兴的机器学习方法相结合产生了基于机器学习的情绪识别这一崭新的研究方向。目前,用于情绪识别的对象一般有面部表情、语音、语义、姿态和生理信号,其中生理信号作为人类最真实的情绪体现,携带着丰富的情绪信息。在机器学习方面,基于统计学习理论的支持向量机的实现解决了神经网络等机器学习方法遇到一些重要的困难,比如如何确定网络结构、过学习与欠学习问题、局部极值问题等,因此其在解决小样本、非线性及高维模式识别问题中表现出特有的优势。论文即采用了支持向量机算法对生理信号进行训练和识别,主要工作内容如下:(1)对德国Augsburg大学提供的心电、肌电、呼吸、皮肤电四种情绪生理信号进行分析、处理,构造了193个情绪特征向量,并建立了包含高兴、愤怒、悲伤和喜悦四种情绪的情绪模型。(2)将支持向量机算法和留一法结合,对单个生理信号及其四个信号的组合分别进行训练来识别情绪模型中的四种情绪,单个以及四种生理信号对所有情绪的识别率最低可达65%和73%。(3)对四种生理信号构造一对多、一对一、二叉树方法的多类情绪分类器并用留一法交叉验证。考虑容错识别时,高兴的最低识别率为76%,愤怒的最低识别率为84%,悲伤和喜悦的最低识别率为52%和56%。(4)利用集成化的传感器和自主设计的检测电路,设计了植入智能服饰的便携移动式测量装置,并用该装置采集了20位学生在不同情绪下血容积脉动、心电、呼吸、指温、皮肤电信号,经过二叉树方法支持训练器训练和留一法验证,高兴的识别率达到80%,愤怒的识别率达90%,悲伤的识别率达70%,喜悦的识别率达75%。