脑电情感识别常见采用脑机接口（Brain-Computer Interface,BCI）设备进行生理数据的采集,同时记录当前状态对应的情感数据,但由于记录精度的差异性,以及数据处理中精度损失的不可逆性,增加了技术应用的难度。因此,本课题拟探讨脑电情感识别的普适性,实现其技术的应用延展性,针对脑电情感识别中涉及的情感分析粒度问题、信号处理策略问题、数据特征选择问题进行深入研究。针对脑电情感识别中粒度粗的问题,本课题旨在通过情绪心理学的相关研究,提出具有普适性的细粒度情感计算模型（Fine-Grained Affective Computing,FGAC）。首先,通过对大众情感表达数据进行挖掘,提炼出当前社会下大众生活与工作中高覆盖的情感类别;其次,利用欧氏空间定理构建情感的映射规则实现多维情感数据的空间映射;最终,针对脑电信号对应的情感量化数据进行标签映射,得到20类情感细化标签。针对信号处理策略问题,鉴于脑电信号信噪比低、非线性不平稳、精度损失、低波段以及单通道识别受限、相似情感存在信号重叠等诸多现象和问题,本课题提出基于时序峰值的脑电编码模型（Chronological Peaks Coding,CPC）,旨在降低噪声数据的同时,从微观角度挖掘脑电信号各部分的局部显著变化趋势特点。首先,针对脑电频率范围进行波段分解,得到不同的脑电波段;其次,针对单波段下的脑电振幅特点,保留正负位相下所有的信号峰值数据;最终,通过区间编码策略,挖掘脑电信号局部的信号变化趋势以及规律,进一步用于挖掘脑电特征。针对特征选择问题,鉴于普遍研究采用通道、特征融合策略机制,对硬件设备的精度要求高,不具备普适性。因此,本课题通过构建局部波动序列（Partial Fluctuation Pattern,PFP）特征实现单通道的情感识别。首先,通过模式识别方法,挖掘出不同情感下信号的高频周期变化规律;其次,构建多维度的PFP特征,包括:波动强度、波动数量、波动重复率、波动周长率、波动密度;最后,采用支持向量机进行细粒度情感识别的分类验证。实验结果表明本课题实现了20维细粒度情感在单通道、各波段下平均93%的识别准确率。本课题针对脑电情感识别研究中存在的情感识别粒度粗、低频波段信噪比低、多依赖通道融合等问题进行探讨与研究。首先,构建的FGAC模型可实现多维情感数据的细粒度映射;其次,构建的CPC模型可高效降低冗余噪声,同时有效保留信号的显著周期变化特点;最后,构建的PFP特征可有效实现高精度的情感识别。本课题对脑电情感识别的普适性进行探讨,降低了对硬件设备的依赖要求,细化了情感识别类别,可更利于不同领域的应用。