长期以来,脑电(Electroencephalogram,EEG)就是一种被学者们广泛研究的生理信号,由于其具备时间分辨率高、空间分布广等特性,在脑机接口、人工智能以及医疗健康等领域都有成功应用。近年来,基于脑电情绪识别的研究是国内外研究的热点,其本质是计算机通过机器学习等算法处理分析受试者的脑电信号,实现识别受试者此时的情绪状态。当下,由于深度学习可以深度挖掘数据中的信息,在很多领域明显提升了识别精度,而被研究者们用于脑电情绪识别研究。基于深度学习方法的脑电情绪识别分为两种,一是采用深度学习方法对人工设计的特征分类,但这种先人工提取相应的脑电特征,之后用深度学习方法分类的方法流程需要更多依赖人工因素;二是依赖数据本身特性,直接用深度学习方法对原始数据分类,减少在识别过程中人工因素的影响。本文拟研究一种端对端的数据驱动方法,分别使用了通道注意力机制提取原始脑电信号中更具判别性的空间信息,使用自注意力机制提取脑电信号中更具判别性的时间信息,提出了一种基于注意力机制的注意力卷积循环神经网络,可以直接从原始脑电信号中学习情绪相关特征并以此分类,实现端到端的情绪识别。本文主要探索在深度学习中采用注意力机制来提取脑电信号中更具判别性的特征,并实现一种情绪维度上的二分类识别。主要的创新点有:1.本文提出了一种新的脑电情绪识别方法并命名为ACRNN,该方法将通道注意力机制集成到CNN中,通过探索CNN所提取的空间特征中不同通道间的重要性信息,提取更具判别性的多通道脑电信号的空间信息。此外,ACRNN还将一种扩展型自注意力机制集成到RNN中,对脑电信号的时间信息进行挖掘,先使用LSTMs提取不同样本间的时间信息,再依据不同样本内在相似性差异,采用自注意力机制探索不同样本在情绪识别任务中的重要性信息。2.本文在两种数据库DEAP和DREAMER上开展了大量的数值实验,实验结果显示,本文提出的ACRNN方法在DEAP数据库的Valence和Arousal维度上分类精度分别达到92.74%和93.14%,在DREAMER数据库的Valence、Arousal和Dominance维度上分别达到97.79%、97.98%和97.67%。