生理信号的情感识别是从所采集到的生理信号中抽取特征来进行的情感模式识别，论文将情感识别问题看成模式识别问题，将遗传算法与经典的模式识别分类方法“k-近邻法”相结合引入到生理信号的情感识别中，将情感识别过程中最优情感特征子集的求解看成一个组合优化问题，尝试寻找最能“代表”相应情感状态的最优情感特征组合及最好的识别率，将智能优化算法的思想应用于生理信号的情感识别是论文想表明的一个创新点。 论文在前人研究成果的基础上，主要做了三个方面的工作： (1)对德国Augsburg大学的提供的原始情感生理数据样本进行分析、处理，根据论文的需要构造出可以使用的原始情感数据矩阵，以各特征选择时使用。 (2)针对用生理信号来识别情感中的最优情感特征组合选择这一组合优化问题，尝试将遗传算法与“k-近邻法”相结合用于joy，anger，sadness，pleasure四种情感状态的识别，验证该方法的可行性、有效性。 (3)将一种自适应遗传算法与“K-近邻法”相结合再次应用于上面4种情感的识别，观察改进后的算法情感识别率是否得到提高，能否得到与国际上相关领域一致的结论。 基于以上三方面所做工作，论文通过生理数据样本仿真实验，得到如下三个结论： (1)从德国Augsburg大学提供的情感数据样本中抽取特征所构造的情感特征矩阵，对于分类joy，anger，pleasure，sadness四种情感状态是有效的，并非特征数量越多，识别效果越好，存在冗余特征，不同的生理信号在识别不同情感状态时识别率差别很大。 (2)将遗传算法用于生理信号情感识别中最优情感特征模式的搜索是可行的，不同的生理信号在分类4种情感状态所得识别率最好时所选择的特征数目不同，所用的具体特征也各不相同，组合模式差别很大。同一生理信号在分类不同情感状态时识别率差别很大，说明在不同情感状态下各生理信号指标的差异很大，如呼吸信号(RSP)在分类anger时平均识别率97％，而在分类pleasure时平均识别率仅有34％；也说明通过RSP来表现anger比表现pleasure更容易实现。且实验多次识别率最好时所选特征均包含呼吸信号的一阶差分后的最大值(RSPldiff-max)、二阶差分的最大值(RSP2diff-max)，说明呼吸信号更能表现出真实的愤怒的情感状态。 (3)改进参数后的算法识别率得到一定的提高，从四种生理信号中抽取特征进行的情感识别效果要好于单一生理信号的情感识别。生理信号越多，包含的特征越丰富，选出的特征组合模式越有可能代表所对应的情感状态。就情感的维度而言，按唤醒度(arousal)轴方向来识别情感状态较按效价(valence)轴方向来识别情感状态效果好，多次实验统计表明：特征SCldiff-mean对anger情感反应较敏感。RSP对anger情感较敏感，这与情绪心理学和相关文献资料中得到的结论一致。 最后，本文对以上所做工作的研究成果进行了总结，分析了研究中可进一步开展工作的方面并对生理信号情感识别的应用前景作了展望。