情绪是人类的主观认知经验,脑电情绪识别是指人工智能通过获取个体的脑电信号对情绪状态进行自动识别的过程。针对传统脑电情绪识别过程中提取特征过多造成维度灾难,导致分类准确度低的问题,本文提出一种基于BAS-SVM优化特征选择的脑电情绪识别模型。FPGA能够并行处理脑电数据,可实现情绪识别算法的移植,因此,本文基于FPGA进行脑电情绪识别算法的研究。首先,将DEAP数据集的脑电数据进行四层频带划分,利用Mallat算法分解重构得到脑电的a波、β波和θ波节律信号,提取样本熵、能量和功率谱密度作为脑电特征。其次,对比不同的群智能算法优化特征选择结果,本文使用天牛须搜索算法（Beetle Antennae Search,BAS）对特征矩阵离散二进制化,将特征子集引入目标函数,搜索得到最优特征子集。最后,将最优特征子集送入支持向量机进行脑电情绪分类实验。实验结果表明,与GA-SVM和PSO-SVM相比,本文提出的BAS-SVM算法分类准确度分别提高10.99%、7.07%。与传统降维方法相比,脑电数据维度降到11维,消除冗余特征,避免了维度灾难,脑电情绪识别准确率为90.72%,准确率提高10%左右。随着设备小型化和电子消费概念的普及,脑电信号处理算法需要移植到硬件设备中。在脑电情绪识别算法的FPGA设计中,根据算法的原理与流程,利用硬件编程语言实现算法的模块化设计,设计小波变换模块、时序控制模块、输出有效位模块、输出选择模块和测试模块,并详细阐述各个模块的功能及仿真结果。首先,将脑电信号通过小波四层分解模块,进行脑电频段划分,得到54维脑电特征。其次,将BAS-SVM算法得到的11维最优特征子集的投影矩阵和最优权系数向量的乘积固化到ROM中。最后,将投影矩阵与SVM的最优权系数向量相乘,再将乘积与偏置求和得到输出结果,实现脑电情绪信号的分类。仿真结果表明,Kappa系数为0.8144,脑电情绪识别模型具备一定的稳定性和实用性。