情绪识别作为人工智能领域一个重要的研究方向,已成为了当前研究的热门话题。人类的外在行为可能无法客观地表达真实的情感,因为语音信号和面部表情信号都存在一定的伪装性,情绪的产生并不一定改变人们的外在行为。脑电(Electroencephalogram,EEG)生理信号由人体的中枢神经直接产生,而中枢神经与人类的情感息息相关,因此,EEG信号可以实时,客观地直接反映出人类的情感状态。所以越来越多的研究人员利用基于脑电信号的研究方法进行情绪识别的研究。传统基于EEG信号的情绪识别方法中,主要是从时域、频域或信息熵等方面提取单一的脑电特征,导致识别效果不佳。另一方面,由于情绪识别在信号采集过程中需要较多通道的采集设备,实际使用中不利于便携穿戴,因此研究基于较少通道EEG信号情绪识别很有必要。本文针对以上两方面的问题在前人研究工作的基础上做了以下工作:1、对基于EEG信号的情绪识别研究中所用脑电特征分析方法、通道选择研究方法的国内外研究现状做了较全面的介绍。2、将时域多特征融合方法应用于脑电情绪识别。把6种时域统计特征融合为一个特征向量来进行情绪分类。实验结果表明,在同一种分类算法下,与各个单时域特征分类结果对比,其平均识别准确率最多可提高12.5%。3、针对信息熵特征能够更好地反映EEG信号非平稳性的特点,结合小波变换之后的子频带能量特征、能量比特征、根均值特征得到了高维的EEG组合特征用于情绪识别。实验结果表明,与前人仅使用频域特征进行情绪识别相比,其平均识别准确率由69%提高到了71.7%,且其分类稳定性得到较大优化。4、从实用便携式出发,提出了一种基于脑电通道选择的PCA-ReliefF算法。通过该算法得到全部特征的权值排序,进而得到脑电公共通道的权值排序,从中选出了最优的6个、13个脑电情感通道组合,并通过脑电信号中与情感相关的四种频段能量分布来进行验证。实验结果表明,所选择与情感相关的脑电通道主要位于脑部的额叶、顶叶和颞叶,这些区域符合情感产生的生理学原理。5、通过SVM算法对通道选择结果进行实验验证,得到了识别准确率与通道数量的关系曲线图,当情绪识别任务中的脑电通道数量降为13个时,其平均分类准确率仅减少1.7%左右。将每一位被试者在6、13、32通道下的情绪分类准确率进行对比,实验结果表明,本文提出的脑电通道选择方法可有效减少所需通道数,为后续可穿戴设备的研制奠定了基础。