情绪在人们的工作和日常生活中发挥着不可或缺的作用。随着近些年人机交互领域的迅猛发展,正确识别和分析人类情绪的能力成为智能化的一项重要标准。相比于其它生理信号,脑电信号由于时间分辨率高、不易伪装、与大脑活动联系密切等原因逐渐成为情绪识别研究的重点。以往基于脑电信号的情绪识别研究大多是通过对全通道脑电信号的分析来展开的,虽然取得了不错的成果,但它们却不符合现实应用场景中便携化的要求。针对这个问题,本文研究了不同脑电特征组合及通道优化选择在情绪识别分析中的效果,并应用在某国防科研项目中,主要工作如下。1.设计基于图片的情绪诱发实验并采集情绪脑电数据。在预处理后的EEG信号中提取了15种特征,通过支持向量机计算并比较它们在情绪四分类、效价二分类和唤醒度二分类三种情况下的表现。结合MRCS通道选择算法,本文研究了不同特征组合所对应的通道排序对情绪分类准确率的影响,并基于此提出了一种个性化的最优通道选择方法。2.针对由于个体的差异性导致不同被试间通道排序差异较大的问题,本文利用权值相加法、准确率加权法和排序权值法研究不依赖被试的通道选择算法,筛选出共性有效通道集合,并找到这些通道的主要脑区分布。相较于个性化的通道选择,虽然共性通道所对应的情绪分类准确率略有下降,但在前10个通道时,被试样本的情绪四分类平均准确率仍然能达到95%左右。3.考虑到可穿戴使用环境中实际佩戴脑电电极较少的问题,本文研究了前额无发区七个脑电通道Fpz、Fp1、Fp2、AF7、AF8、F7和F8的情绪分类,探讨15种特征和不同特征组合对情绪识别的影响。结果表明组合特征在被试的情绪分类中有着更好的准确率和稳定性,其中1st和2st组合表现最为优异。随着通道数目的增加,情绪分类的准确率上升,标准差下降,所以在便携式脑电装备设计时需要综合考虑通道数目和分类效果这两个因素。