情感是每个人不可缺少的一部分,它在很大程度上影响着我们工作和生活的方方面面,因此让机器正确识别人类情感是人工智能领域中一道必须克服的障碍。研究发现,脑电、眼电、肌电等客观生理信号比面部表情、行为、手势等主观信息更能正确反映人的内在情感。其中,客观生理信号中的脑电信号由大脑中枢神经系统产生,与情感的产生及识别息息相关,所以通过脑电信号分析人类情感成为当前的研究热点。基于脑电信号的情感识别是一个典型的机器学习问题,该问题的核心包括信号特征选择、特征提取及分类模型设计三大部分。特征选择时,在传统信号处理领域,特别是对于非平稳信号,短时能量和短时幅度都是常用的特征。但是,短时能量和短时幅度都只关注于某一时间段内的全局信息而不是局部信息,不能较好地反映信号的位置信息,同时会造成信号失真。利用多通道脑电信号进行情感识别时,传统机器学习方法不但依赖时域、频域和空域等相关域知识从各个通道设计和提取特征,而且传统的机器学习分类器一般都是浅层模型,对数据特征学习能力弱,识别率低。针对当前研究存在的问题,本文结合经典数字信号处理方法与深度学习方法实现情感识别,取得的创新性成果如下:首先,在进行特征选择时,用短时幅度谱特征代替短时能量特征和短时幅度特征来表示信号。短时幅度谱是信号在频域的表示,能够消除对数值较大信号的异常敏感性,且比短时能量和短时幅度更加关注细节,有利于保留原始信号的全部信息。其次,本文探讨深度学习方法在脑电信号情感识别领域的应用,提出一种基于深度学习的特征提取算法,并在此基础上提出一种特征提取与特征分类相结合的组合算法:利用卷积神经网络进行特征提取、深度信念网络进行特征分类。深度学习方法不需要研究人员提前学习各种相关域知识就能获取到需要的特征,由此实现处理上的简化。此外,深度学习方法利用海量数据学习到的特征能够克服特征冗余问题、更好地反映数据的内在本质。最后,本文在DEAP数据集上对所提方法进行了实验验证。实验结果表明,针对四种情感识别,本文提出的特征提取算法可达到93.37%的准确率、提出的特征提取与特征分类相结合的组合算法可达到97.46%的识别准确率,优于当前已有结果。