我国的机械制造业是所有行业的基础,在机械制造业中,工人普遍处于噪声和粉尘等恶劣环境中,且工作强度大,容易造成强烈的情绪波动。本文在情绪与安全事故关系的研究基础上,提出了一个对工人情绪进行实时检测的模型,可随时掌握每一个工人的情绪状态,并及时进行调整。研究表明人们的行为决策在一定程度上取决于人们的情绪状态。利用脑电信号对情绪进行判断是近年来智能计算领域的一个重要研究热点。本文旨在研究机械制造过程中所产生的噪音对工作人员情绪的影响,利用脑电信号对情绪进行判断。基于脑电的情绪判断模型研究是融合了众多学科理论知识的一个重要课题。本文在深入学习和研究脑电特征提取的各种方法和分类判断的各种算法的基础上,进行了基于脑电情绪判断模型的研究。我们使用制造业噪音和纯音乐片段作为刺激材料,诱发被试人员的不同情绪。首先,利用单电极Mindwave设备采集脑电信号,采用FIR滤波器对脑电信号进行滤波,使脑电信号达到应用级别;其次,利用近似熵和小波能量熵对脑电信号进行特征提取,创新之处在于首次将近似熵与小波能量熵形成的特征组合来进行分类判断;再次,采用BP神经网络、ELM极限学习机算法、PNN和GRNN四种人工神经网络模型对脑电信号进行分类判断;最后,创建基于脑电的情绪判断模型并进行验证。通过实验,得出两种特征组合形成的特征向量识别率明显高于两种特征分别单独形成特征向量的识别率,而且ELM极限学习机算法分类效果最好,近似熵值与小波能量熵值组合形成特征向量时的识别率达到87.25%,希望该模型能在机械领域得到广泛应用。