情绪是人们生活中的重要组成部分,准确的情绪识别在人际交往、情绪障碍疾病诊疗等领域具有重要意义和应用价值。情绪识别从信号源角度可以分为非生理信号(如面部表情、语音、行为)和生理信号(如心电、脑电等)两类。基于非生理信号的情绪识别由于易伪装等特点,难以保证识别可靠性。基于生理信号的情绪识别更加稳定准确,但由于生理信号的时变特性,特征提取和模式识别更加困难,尚有待进一步研究。本文研究基于脑电信号的情绪识别模型和方法,针对脑电信号时变性这一困难问题,进行了有效的实验分析,提出了基于域适配神经网络的情绪分类方法,并进一步建立在线情绪识别原型系统。具体而言,本文的主要研究内容和贡献如下:1.针对脑电信号的时变性问题进行了详细的实验分析。分析表明,脑电信号在同一个体的同时段内具有较好的聚合度,不同情绪对应的信号具有较好的可分性,但不同时段的信号则具有较差的聚合度,因此通过常规的机器学习模型用某时段的数据上训练后较难在其他时段的数据上取得很好的分类效果。2.提出了基于Wasserstein距离的对抗生成网络的情绪识别模型,并提出了基于域对抗和域适配两种思想的实验方式。其中,基于域适配的Wasserstein距离的对抗生成网络情绪识别模型在跨时段的脑电信号数据分类实验中取得了 86.48%的准确率,高于基线模型和其他研究的成果最多达14.01%。同时对脑电信号不同频域在情绪识别中的重要性进行了实验分析,实验表明,Beta和Gamma频段对情绪的表征能力最强。3.设计并开发了一套在线脑电信号情绪识别系统,包括信号采集、模型训练、信号可视化和在线识别工具,将算法应用到在线实验中,并为未来研究提供平台基础。综上,本文所建立的基于域适配神经网络的情绪识别方法和系统,能够较为准确地进行情绪识别和分类,值得进一步研究和探索。