人类的情绪包括人们针对外界或自身刺激产生的心理反应以及伴随着这种心理反应的生理反应,其在人际交往和决策过程中往往起着非常重要的作用。而基于计算机的自动情绪识别由于具有天然的客观性以及基于大数据所获得的强大的泛化能力,对构建更加智能的人机交互、疾病诊断、心理辅导等系统具有重大意义。本文聚焦当前火热和前沿的深度学习技术,主要研究基于脑电(EEG)信号的情绪分类以及情绪激活机制的问题。论文针对现有研究模型泛化性能较差、情绪激活机制不明且无心理学理论支撑等问题,进行了情绪分类和情绪激活机制这两个方面的工作。与传统研究只注重于情绪分类准确率不同,本文在利用深度学习等技术提升识别准确率的同时,创新性的对情绪激活机制进行了研究,并将结果与心理学理论和实践结果相互印证,使本文的结论得到了心理学方面强有力的支撑,为基于脑电的情绪倾向分析提供了一种全新的思路。本文的主要工作和创新点包括:1.提出了一种基于深度学习的情绪识别算法。该方法通过提取脑电信号的相关特征来降低输入数据的信息冗余,选择少量特征代替高维度的脑电信号输入到深度网络中,利用深度学习技术自动提取判别力更强的高阶特征,再基于这种高阶特征进行情绪分类。同时,针对传统方法实验设置不合理的问题,采用了更为合理的实验设置方式,提升了算法的泛化性能。最终,针对情绪正负向二分类任务在DEAP数据集上取得了87.27%的准确率,证实了本文所提出的方法的有效性。2.针对传统研究只关注情绪识别准确率而对情绪激活机制缺乏研究的问题,提出了一种基于机器学习的情绪激活机制研究方法。该方法在保证情绪分类结果在合理范围内的前提下,利用分类结果创新性的构建情绪激活曲线,从直观上反应了情绪的激活过程。在获取到激活曲线后,将其与心理学相关理论与实践相互印证,为本文所得到的结论提供了强有力的支撑。本文的两项工作分别覆盖了情绪倾向分析的实际应用和理论研究这两个方面,在情绪分类精度超越传统研究的同时,本文基于脑电信号对情绪激活机制展开研究,同时与心理学相结合,为基于脑电信号的情绪倾向分析提供了一种新的思路。