深度学习促进了智能识别技术的快速发展,同时人们对大脑的研究也处于方兴未艾的状态。情绪是大脑活动的表现形式,情绪对人类的生活和生产有着巨大的影响,如何智能地识别人类情绪就变得十分重要。本文的研究方向是研制一种能够在非实验室环境下进行稳定数据采集的脑电信号采集系统,使用深度学习的相关算法实现基于本研究石墨烯电极采集数据的情绪识别效果。首先,本文通过在微观结构上的创新,研制了一种新型石墨烯复合材料脑电电极,尝试通过此电极对大脑皮层外的脑电信号进行采集;其次,基于递归神经网络在脑电信号识别领域的广泛使用,本文使用两种递归神经网络模型进行改进,选择一种识别准确率高的模型;最后,使用前面选择的网络模型,对比本研究的石墨烯电极采集的数据集和传统电极采集的数据集在相同参数下输出的识别率,进而评判本研究石墨烯电极的性能。为达到以上目标,本文的主要工作内容如下:第一,本文首先通过大量硬件性能对比实验,独立发现石墨烯材料上构造微观结构具有较为优异的电学特性,将其制备成矩阵化金字塔结构石墨烯电极;然后使用柔性电路板作为基底,将矩阵化金字塔结构石墨烯电极通过本文研制的工艺制备成脑电电极器件。第二,本文首先把上述制备的脑电电极器件、独立设计的选通电路模块和采购的信号处理模块封装成一个便于安全佩戴的智能硬件可穿戴系统;然后使用本系统进行脑电数据的采集。第三,为了验证新型石墨烯复合材料脑电电极的数据有效性,本文使用基于Anaconda3的深度学习框架Tensorflow作为算法实现的基础,利用python3将本文提出的长短期记忆模型和批量正则化优化的循环门控单元模型进行工程实现,并且在识别准确率评价指标的验证下,证明了批量正则化优化的循环门控单元模型具有较高的情绪识别准确率。第四,将上一章确定的模型对新型石墨烯脑电电极采集的数据与传统电极采集的数据进行情绪识别准确率对比,验证了本文提出的新型石墨烯脑电电极具有有效性。