情绪识别是运用信号处理和分析方法对各种情绪状态下的心理、生理或体征行为参数进行特征提取与分类识别,以确定人所处的情绪状态。脑电信号是由大量神经元突触后电位同步综合而形成的,是反映神经细胞活动情况和大脑运行状态的生物电信号。由于脑电信号功能特异性强、时间分辨率高的特点,所以基于脑电信号情绪识别研究的应用前景广阔,在人机交互、游戏开发、远程教育等众多领域均有重大的或潜在的应用价值。人的情绪具有复杂和多样性,要对各种情绪都进行识别是困难的,也是不现实的。本文根据研究课题“基于视觉刺激的脑电信号情绪识别研究”的要求,从情绪脑电识别的背景和现状出发,将诱发情绪的视觉刺激图片分为积极、中性和消极三类,并使用分类好的图片来诱发情绪脑电信号,选用额叶区的七导联脑电信号开展情绪识别研究,对情绪脑电信号的消噪、特征提取、模式分类进行了系统的分析和处理。主要研究内容和创新点如下:(1)为了保证刺激图片可正确地诱发被试者相应的情绪脑电信号,设置了刺激图片分类标准,分为积极、中性和消极三类。本文先让被试者们利用自我评价假人得到图片的愉悦度和唤醒度的个人评分,求个人评分的平均值得到图片的平均评分。然后根据情绪的划分和愉悦度与唤醒度之间的关系,设定了图片分类的标准,将愉悦度高,唤醒度也高的图片定为积极图片;将愉悦度平,唤醒度也平的图片定为中性图片;将愉悦度低,但唤醒度高的图片定为消极图片。被试人员依照这个分类标准对图片类别进行划分,并将平均评分不满足这个标准的图片去除,以确保刺激图片的有效性和可信度。(2)为了在情绪脑电信号消噪时更好地保留细节信息,提出了一种基于SA4多小波的脑电信号消噪方法。采用重复采样预滤波方法对脑电信号预处理,利用SA4多小波分解算法处理并得到多维多小波系数。对各层多小波系数软阈值处理后,进行多小波重构得到消噪后的脑电信号。仿真结果表明,相比于db4小波算法,SA4多小波算法能使消噪后情绪脑电信号具有更佳的信噪比和均方误差,并能减少消噪时的信息丢失。(3)因为模糊熵无法度量不同尺度因子下的复杂性,本文选择使用多尺度模糊熵算法进行特征提取。并针对实验采集的情绪脑电信号较短,会对多尺度模糊熵算法中的尺度因子产生限制的问题,改进了其中的粗粒化算法。使用基于改进粗粒化的多尺度模糊熵算法提取特征向量,并进行归一化处理,最后使用主成分分析方法进行特征降维,运用于模式分类。仿真结果表明,相比于模糊熵特征,多尺度模糊熵可更好地提升分类的平均识别率。(4)为了增加样本在特征空间的可分性,将多核支持向量机引入情绪分类领域,并结合径向基核和多项式核的特点,针对性地构造了径向基核和多项式混合的核函数。同时为了避免进行全局精细搜索又可得到更精确的参数组合,采用了基于交叉验证与改进的网格搜索法的参数优化方法,来提高模式分类的平均正确率。选用多尺度模糊熵特征的情况下,本算法多核支持向量机的识别率与多项式核函数支持向量机、径向基核函数支持向量机相比,分别提高了3.6%和1.0%,达到了85.8%。