情绪来源于心理层面,是指人类个体对于外部事物的态度体验,广义上可将情绪量化为正性情绪和负性情绪。当前,随着工业4.0和中国制造2025计划的快速推进,在智能机器人、工业互联网和人工智能等核心领域,情绪识别技术的应用越来越广泛。此外,当今社会巨大的工作和生活压力,使得患有抑郁症和焦虑症等心理疾病的患者人数呈急剧上升趋势,因此,对于以负性情绪为特征的心理疾病的诊断和治疗已经成为临床工作的重点。情绪识别的方法可分为三种,第一种方法是基于面部表情或语音语调实现情绪识别;第二种方法是依据心电、肌电、脉搏等外围生理信号实现情绪识别;第三种是依据中枢神经系统信号,借助无创式的脑功能检测技术识别情绪。在依据中枢神经系统信号识别情绪的研究中,基于脑电图(Electroencephalogram,EEG)的情绪识别是常被采用的一种方法,可以通过提取多维的EEG特征和复杂的算法实现情绪分类,其缺点是对脑活动的表征不够直观,缺少对情绪诱发效果的分析。近年来功能性近红外光谱技术(functional Near-Infrared Spectroscopy,fNIRS)成为新兴的脑功能检测方法,虽然将其应用在情绪识别的研究还在初期阶段,不能达到较好的识别效果,但是fNIRS可以直观地表征脑活动变化,在分析情绪诱发效果这一问题上具有优势,可弥补基于EEG的情绪识别方法的不足。此外,EEG和fNIRS两种检测技术彼此之间没有相互干扰,可实现同步测量,且都可实现便携式。因此本文研究了一种基于EEG-fNIRS的情绪识别系统,分析情绪刺激实验的诱发效果,实现正性和负性情绪分类。本文的主要工作包括,首先,设计了16通道的脑电信号和8通道的脑血氧信号同步采集系统;其次,利用修正朗伯比尔定律计算脑血氧变化量,提取脑血氧数据的统计特征和变化趋势特征;然后,提取脑电的时域、频域、时频域、空间域特征,采用主成分分析方法实现脑电特征降维,利用支持向量机建立EEG情绪分类模型;最后,根据基线数据和刺激数据的脑血氧特征的差值,分析情绪刺激实验是否成功诱发被试者产生情绪变化,筛选出成功诱发的实验数据,再利用EEG情绪分类模型对正性情绪和负性情绪进行分类。本文完成了包括硬件检测平台和上位机处理平台的EEG和fNIRS信号同步采集系统设计,通过情绪刺激实验,证明了提取的脑血氧特征可有效地判断情绪刺激实验的诱发效果,结合脑血氧特征和EEG情绪分类模型可有效地实现情绪分类,提高分类准确率。