传统的音乐推荐算法是对用户喜好进行相似性度量的算法,或根据音乐风格,流派区分种类的算法,无法满足音乐诱发情感的需求。即使包含情感标签,由于对音乐的感知差异,所造成的情绪也有所差别,无法进行个性化的推荐。所以个性化的音乐情绪分类算法将是最为关键的一步。本文主要针对有监督机器学习算法训练的分类模型展开研究。其中在情绪标签上除了传统的心理量表标签,还使用了更为客观的脑电信号作为评判情绪的一个准则。首先利用脑电这一生理信号,对情绪进行分析。利用EMD分解算法有效的保证了时间和频率分辨率的精度,按照生理上的脑电频段分解脑电信号,并以其样本熵和频段能量比作为特征,使用传统机器学习算法,建立了一个通用的,基于脑电信号的情绪分类模型。此部分的模型在VAD三个情感维度上准确率都接近于90%,以此获得的情绪标签可以作为相比心理量表更为客观方便的一种情绪标签,以此避免主观情绪认知的偏差。再通过分析个体情绪与对应音乐的关联性,找出对其情绪影响最大的几个关键特征。从而建立一个个性化的情绪-音乐的模型。其中除了将常见的如ZCR,MFCC,Tempo等常见音频特征,还使用了Chord,CQT-Spectrum等更复杂的音频特征。为了抓取更多的音乐细节,在构建模型中也分别使用了机器学习和深度学习两种方法。通过对比该模型在公开数据集和自采集数据集上的效果,我们发现现阶段受限于样本数量较少的问题,在深度学习和机器学习上并没有明显的差别,最终分类准确率也不够理想。但通过特征选择算法筛选对每个人最重要的音频特征后发现影响人情绪体验的音频特征尽管各不相同,起关键作用的特征数量却是近似的。且被试间选择特征的相似性和其对音乐情绪体验的相似性也呈现同样的趋势,说明算法应用于个性推荐具有一定有效性。