学习情绪是学习过程中产生的情绪,对学习产生积极、消极或双向的影响。困惑情绪是学习情绪中重要的一种,由认知失衡引起,具有双向性:学习者进行问题解决或推理时会产生困惑情绪,如果问题得到解决或新知识被纳入到已有认知结构中,深度学习和理解就会发生,进而学习者积极投入到学习中;如果困惑情绪持续存在,认知不能达到再次平衡,则会引发消极情绪,如焦虑和无聊,并导致学习放弃。此外,已有研究表明,困惑情绪在学习活动中发生频率较高。因此,识别学习者的困惑情绪,是分析学习者认知和情绪状态、给予合适支持与反馈的前提。然而,目前在线学习系统缺乏识别学习者困惑情绪的智能性,无法给予学习者及时的支持,导致学习效果不理想。总之,研究如何准确识别学习者的困惑情绪是在线学习研究中亟需解决的问题。机器学习和脑机接口技术的发展,使得解码学习者内部认知和情绪状态成为可能。相比现有其他识别情绪的技术,基于脑电信号的脑机接口能够客观、实时、自动地完成识别任务,因此,本研究中的情绪识别建立在基于机器学习的脑机接口构建上,其核心在于从脑电信号中提取出与困惑情绪高度相关的数据特征。但目前有关构建困惑情绪识别分类器所需的特征提取和分析研究仍处于起步阶段。为解决上述问题,本研究以机器学习与脑机接口技术为工具,构建了困惑情绪诱发与采集系统,利用瑞文推理测验（Raven’s Progressive Matrices）诱发困惑情绪,采集脑电数据后形成困惑情绪脑电数据库,探索了困惑情绪识别的相关脑电特征提取方法,分析了使用不同时域、频域与空间域特征所构建的分类器的识别精确率（Precision）、召回率（Recall）和准确率（Accuracy）。其中,困惑情绪脑电数据库是一个专门用于困惑情绪识别的脑电数据库,包含了 23名被试在完成瑞文推理测验时的脑电信号,并根据被试的测验结果与自我评定将数据标记为了“困惑”与“非困惑”两类。本研究在此数据库上共提取时域、频域与空间域三个维度17个脑电特征,分别使用支持向量机（Support Vector Machine,SVM）、决策树（Decision Tree,DT）、线性判别分析（Linear Discrimination Analysis,LDA）以及基于高斯分布的朴素贝叶斯（Native Bayes based Gaussian Distribution,NBGB）算法进行分类器构建。研究结果表明,在四种算法构建的分类器中,支持向量机和决策树具有较好的分类效果,而线性判别分析和朴素贝叶斯算法表现不佳。在所有特征中,频域中的微分熵（DE）特征在所有算法上均取得了远高于其他特征的分类准确率,最高准确率达到了 86.7%;其次是空间域中的左右不对称系数（Index）,最高分类准确率达到了 80.3%,而时域中的一阶差分绝对值的平均（FOD）特征也具有较好的分类效果,最高分类准确率达到了 76%。本文结构如下:第一章概述了本研究的研究背景,阐明了在学习过程中识别困惑情绪的重要性及使用人工智能和脑机接口技术进行识别的优势,介绍了本文的主要研究内容及研究思路。第二章综述了困惑情绪的相关理论及情绪特征提取与分析的相关研究。第三章讨论了我们构建的困惑情绪诱发与采集系统的必要性及过程、脑电数据采集设备、脑机接口框架及数据预处理过程。第四章讨论了所提取的时域、频域、空域相关特征及分析过程与结果。第五章对本研究进行了总结和展望。