在基于生理信号的情感识别领域,多通道生理数据集通常是非线性可分的。部分研究者在特征降维和分类中采用了线性或部分非线性处理,效果并不理想。为了解决这一问题,本文提出了一种非线性处理方法。首先,本文引入基于径向基函数(Radial Basis Function,RBF)的核主成分分析(Kernel Principal Component Analysis,KPCA)将数据映射到高维空间提取特征的非线性信息,然后在高维核空间进行降维,来解决传统特征降维算法导致的特征信息丢失问题,该方法可以提供更多的带有生理数据集结构信息的特征。其次,考虑到梯度提升决策树(Gradient Boosting Decision Tree,GBDT)强大的预测能力以及对高维特征的选择和组合能力,本文将其作为非线性集成分类器来提高情感识别的准确率。在实验设计中,本文采集了29名被试者在四种情感下(高兴、恐惧、悲伤和愤怒)的四种生理信号(心电信号、皮肤电信号、肌电信号和脉搏信号),通过预处理和特征提取构建出包含623个样本和136维特征的多通道生理数据集。该非线性处理方法在生理数据集上表现出了良好的性能,通过十折交叉验证分类准确率达到93.42%,高于传统的情感识别模型,如特征降维方法(主成分分析和局部线性嵌入)和分类器(支持向量机,K最近邻、高斯贝叶斯和随机森林)的交叉组合。此外,本文还对比了不同生理信号的情感区分能力以及在不同情感上的分类结果,实验数据显示在四种生理信号中,对心电信号的情感识别准确率最高;在四种情感中,对恐惧情感的的分类准确率最高。由此可以推断心电信号包含更多的情感信息;被试者对恐惧情感的生理响应更加强烈或者说恐惧情感更容易被诱发。