情绪识别是实现人工智能的重要组成部分,在医疗护理、教育、产品设计、交通运输、军事等领域都有广泛的应用。基于外围生理信号、讲话和面部表情的情绪识别是通过人的主观判断实现的,无法保证情绪识别结果的准确性。而基于脑电信号的情绪识别能够客观准确地对情绪进行识别。脑电信号是一种非平稳、非线性的随机信号,需要结合时域和频域的特征对其进行分析。经验模态分解(empirical mode decomposition,EMD)和小波变换是两种应用最广泛的时频分析方法。目前,EMD在处理脑电信号时,进行包络拟合后仍存在欠冲现象。而且使用近似熵和排列熵等熵值进行情绪识别的准确率不高。因此,本文对EMD过程中的包络拟合、情绪脑电信号的特征和脑电信号的情绪识别进行研究,主要贡献如下:(1)提出了一种消减欠冲现象的EMD算法。该算法通过引入“伪极值点”,增加极值点的数目,构成新的极值序列,然后利用新的极值序列插值拟合得到新的包络线。实验结果表明,此算法可以有效地消减欠冲点的数目,拟合出的包络线更加贴近原始信号,拥有更好的平滑性。(2)提出了一种新的脑电情绪特征组合。结合小波变换和经验模态分解对脑电信号进行分析,提取并融合脑电信号的近似熵、排列熵和能量矩作为新的情绪脑电特征,然后利用支持向量机(Support Vector Machine,SVM)进行分类识别。实验结果显示,基于新的脑电情绪特征组合的分类识别结果优于基于单个特征参数的分类识别结果。