焦虑是一种负性情绪状态,表现为对未来威胁和不幸的忧虑预期,并伴随着紧张、烦躁不安或一定的身体症状。特质焦虑是焦虑的一种,是个体在焦虑易罹患性上相对稳定的个体差异。研究表明,各种情绪的变化会在不同的大脑皮层位置反映出不同的脑电信号(EEG)。EEG含有丰富的频率成分,不同的心理状态、生理状态和认知任务下某些频段的能量在头皮不同区域的分布会发生变化,因此可以提取不同频段上的能量作为分类器的特征参数实现特质焦虑者和非特质焦虑者EEG的识别与分类。本文采用独立分量分析对天津师范大学心理与行为研究院脑电实验室采集到的特质焦虑者及非特质焦虑者的EEG进行预处理,再运用小波分析对预处理数据进行特性分析和特征提取,在此基础上结合支持向量机分类器实现两类信号的识别与分类。具体内容如下：1.运用独立分量分析(ICA)对原始信号进行预处理。ICA处理的对象是相互统计独立的信号源经线性组合而产生的一组混合信号,特质焦虑EEG中的伪迹正好符合这一特点,因此ICA适用于特质焦虑EEG的预处理。2.运用小波变换对所选取的EEG进行多尺度小波分解,得到的不同尺度的频带分量,提取EEG在不同频段上的能量特征,作为分类器的输入向量。小波变换是一种多尺度信号分析方法,具有良好的时频局部化特性,很适合分析像特质焦虑EEG这样非平稳信号的瞬态特性和时变特性。3.利用支持向量机(SVM)分类器实现对两类EEG的识别和分类。SVM是根据统计学理论提出的一种机器学习方法,它在解决小样本、非线性和高维的机器学习问题中表现出了许多特有的优势,已经逐渐成为解决模式分类问题的首选工具。研究结果表明,采用本文的方法可以取得比较好的分类效果,分类准确率达86%以上。