随着机器学习算法以及深度学习算法在人工智能领域的飞速发展,我们对人工智能在生活中的应用产生了更高的要求。情感是人类的脑部产生的一种对外界事物的精神反馈,计算机对人类情感的识别和模拟是计算机智能化的重要标志之一。通过机器学习的方法对脑电波(Electroencephalogram,EEG)信号进行分析并对情感进行分类成为了目前人工智能和人机交互领域比较前沿的研究方向。脑电信号是通过多个通道采样的,使得它的特征向量具有高维度特性。由于情感脑电信号并非与所有的脑电通道相关,导致在通过脑电信号进行情感分类时会出现一定程度的通道冗余和维数灾难。针对情感脑电信号在大脑中的稀疏特性,本文做了以下研究:首先,对以音乐视频为诱因的多重生理模态的情感脑电数据集DEAP进行了研究,完成情感脑电信号的时域特征和频域特征的提取。运用小波变换算法和快速傅里叶变换算法提取DEAP情感脑电信号的delta节律(0.5-3Hz)、theta节律(4-7Hz)、alpha节律(8-13Hz)、beta节律(14-30Hz),gamma节律(31-47Hz)五个节律波段;运用经验模态分解算法计算出脑电信号的四层内蕴模态函数(Intrinsic Mode Function,IMF),并计算其功率谱值构建特征工程。其次,由于人类情感脑电信号在人脑中属于典型的稀疏信号,针对这一共性,本研究采用了基于贪婪求解的正交匹配算法(The Orthogonal Matching Pursuit algorithm,OMP)和基于凸优化求解的加速近邻梯度算法(The Accelerate Proximal Gradient,APG)求解稀疏编码的稀疏表示分类模型进行情感分类,并与传统情感脑电分类算法做效果比较。最后,针对情感脑电信号的多通道采样和特征向量的维数灾难问题,提出了采用稀疏组Lasso算法作为特征降维和通道选择的方法,并采用基于稀疏组Lasso作为惩罚项的稀疏表示分类算法进行情感的四分类。实现了情感脑电信号以导联通道为特征组单位的组间稀疏和组内稀疏。实验结果与传统情感分类算法和特征降维方法进行了效果对比,表明了基于稀疏组Lasso的稀疏表示分类算法对情感脑电信号的分类和特征降维有着较好的效果。