情绪在人类生活的各个方面都发挥着重要的作用,因为人的行为举止、推断决策等都很难避免内心情绪的影响。已有研究表明,通过分析人类的脑电信号可以识别出其情绪信息。因此,基于脑电信号的情绪识别研究具有很大的应用前景。近年来,机器学习技术的发展为基于脑电信号的情绪识别研究提供了可靠的技术手段。传统的机器学习技术简单地从多通道的脑电信号中提取特征,然后连接成单个特征向量,没有考虑到脑电信号中至关重要的时间动态信息。深度学习技术中的长短时记忆网络(Long Short-Term Memory,LSTM)因其时间上的递归结构,所以可以很好地解决这个问题。为此,提出一种新的基于LSTM的情绪识别模型。脑电信号被分成多个非重叠的信号段,分别从每段信号中提取了时域、频域和非线性动力学特征,将其沿时间轴连接成特征序列并用来训练基于LSTM的分类模型。在DEAP数据集上验证了该模型在愉悦度、唤醒度和喜欢度上的二分类准确率,其中每种情绪均分为低和高两类。实验表明,该模型在愉悦度和喜欢度上的分类准确率均优于已有方法,在唤醒度上的分类准确率也十分具有竞争力。同时,本文对基于脑电信号的情绪检测系统的开发进行了介绍,系统主要包括五个模块:总控模块、脑电预处理模块、脑电特征提取模块、情绪识别模块和数据库模块。总控模块负责执行用户在客户端选择的操作;脑电预处理模块提供给了各种脑电信号分析与处理的工具,如降噪和频带提取等;脑电特征提取模块用于提取与情绪相关联的特征;情绪识别模块可以根据提取的脑电特征检测出被试的情绪变化情况;数据库模块主要用于存储用户信息、被试信息和检测结果。客户端能将被试在愉悦度、清醒度和喜欢度上的情绪变化情况和区间统计情况展示给用户。