情绪是在生理和心理的共同作用下产生的,在思维决策、社会认知和社会交往等方面,情绪都发挥着非常重要的作用。情绪的产生与大脑密切相关,大脑皮层和皮层下神经元的协同作用促进了情绪的产生。由于脑电信号具有较高的时间分辨率、较好的节律性、不易伪装且蕴含人体重要的生理信息等优势,在情绪识别过程中被广泛使用。现在越来越多的学者使用复杂网络来构建脑网络进行情绪识别,大脑区域间的连通性为复杂网络的构建提供了基础。使用图论的方法对大脑的功能连接进行研究,可以很好地反映大脑各区域之间的耦合关系。但是,脑网络的分析需要新的方法。因此,本文对基于情绪的脑网络构建进行研究,具体内容如下:（1）本文将动态模态分解（Dynamic Mode Decomposition,DMD）应用到脑电数据中,将高维动态数据转换为基于时空相干结构的简单表示,即DMs。每个DM都对应一个特征值,其相位和振幅分别决定DM的振荡频率和稳定性,根据特征值λi的大小对稳定性进行划分,将|λi|＜0.95的部分称为“相对稳定DMs”,将0.95＜|λi|＜1的部分称为“非常稳定DMs”。在alpha,beta,delta,theta四个波段下,将特征值、特征向量和每个模式下的初始幅值结合起来生成“相对稳定成分”和“非常稳定成分”。（2）本文利用从DMD中提取的相对稳定成分、非常稳定成分以及原始脑电数据,基于Pearson相关、锁相位和偏相关构建了脑网络。非常稳定成分构建的脑网络为脑网络1（brain network1,BN1）,相对稳定成分构建的脑网络为脑网络2（brain network2,BN2）,原始脑电数据构建的脑网络为传统脑网络（traditional brain network,TBN）。经阈值化处理后,在alpha,beta,delta,theta四个波段下,对BN1、BN2和TBN三种脑网络进行网络拓扑特征提取,提取的网络拓扑特征有:特征路径长度、全局效率、局部效率、聚类系数和富人俱乐部系数。通过双样本T检验,对四个波段下的网络拓扑特征进行统计分析,结果表明BN1、BN2和TBN的大部分拓扑属性在high Valence/high Arousal和low Valence/low Arousal之间有显著性差异（p值＜0.05）,并且在各个波段下,与high Valence/high Arousal相比,low Valence/low Arousal下绝大多数节点的聚类系数和网络的局部效率都有所增加,特征路径长度有所减小,由此推测,当个体处于消极情绪下时,其大脑的信息交互比积极情绪下更加复杂,脑网络的功能连接更为紧密,网络中含有更多的稳定结构,信息传输速度更快,从而可以实现高效的信息交流。（3）采用四种分类器基于全频段的网络拓扑特征进行分类,由于BN2的分类性能并不显著高于TBN,所以只对BN1和TBN的分类效果进行比较,结果表明在四种分类器下,BN1的分类效果普遍比TBN高3%-8%左右。分类结果差异性最大的是基于PLV构建的BN1和TBN的拓扑特征对high Valence和low Valence的分类,其中BN1和TBN的准确率平均值为66.01%和62.73%,精确率平均值为65.94%和61.81%,召回率平均值为71.46%和68.25%,F1-Score平均值为65.14%和62.76%。BN1的准确率、精确率、召回率和F1-Score绝大部分显著高于TBN,这说明从DMD中提取的非常稳定成分对于脑电情绪的分类是有帮助的。本文提出了使用DMD从脑电情绪信号中提取非常稳定成分和相对稳定成分来构建脑网络的新方法,为脑电信号的情绪识别提供了新的想法,对于更好地理解情绪机制,识别情绪状态有很大的帮助。