人-机交互(human-computer interaction,HCI),一种人与计算机之间信息交换的过程,其研究内容涉及到图像处理、计算机视觉、生物医学信号处理等多个学科方向。作为人和计算机之间沟通的桥梁,HCI设备近年来已得到快速的发展与完善,并广泛地应用于人类生活的各个方面。然而,传统的HCI设备一般不具备人-机之间的情感交互,无法使计算机根据用户的情感状态调整交互方式,这将极大的限制其应用范围。开发具有情感感知能力的HCI设备已经成为一个新的研究热点。为了感知用户的情感状态,现阶段,情感分析方法大致可概括为基于外在生物特征(如:面部表情、语音信号和姿势等)和基于内在生理特征(如:脑电信号,皮肤电信号和心电信号等)两大类。其中,由于脑电信号(Electroencephalogram,EEG)与情感的关系十分密切,并且具有非侵入性、不易伪装性和良好的信号可采集性等优点,因此,基于EEG的情感识别已经成为一个新的研究热点。本文将围绕基于独立分量分析(Independent Component Analysis,ICA)的脑电情感识别以及导联选择方法展开研究,具体工作如下:(1)提出了一种基于ICA的情感脑电空域特征提取方法。在空域滤波器的设计阶段,本文使用三类脑电数据(积极、中性和消极)设计空域滤波器。具体来说,我们针对单个实验样本的全导联数据进行ICA分析,根据独立分量和导联之间的映射模式及投影位置设计有效空域滤波器。在特征提取阶段,使用所得的有效空域滤波器对情感脑电实验样本进行线性投影,将投影输出的相关独立分量利用奇异值分解进行处理并完成空域特征提取。基于上述方法,依次使用所有单次样本设计有效滤波器进行空域特征提取,并送入支持向量机进行情感识别,然后选择识别率最高的滤波器作为设计的最优ICA空域滤波器。在公开数据库(MAHNOB-HCI-TAGGING DATABASE)和自采数据库(包含9位被试者的情感脑电数据)上,我们使用所提方法在三类全导联情感脑电数据上进行了情感识别,所得到的平均识别率分别为81.12%和74.48%,相较于传统频域特征(功率谱对数和功率谱对数的左右脑不对称性)分别提高了1 1.32%和11.19%。(2)提出了一种情感导联选择方法。由于多导联脑电信号的采集需要耗费大量时间和精力,并且不利于可穿戴设备的开发和应用,所以本文在全导联情感识别结果的基础设计了一种导联选择方法,即使用全导联设计的最优滤波器提取不同导联附近的独立分量进行情感识别,根据识别结果计算导联情感相关系数,并根据它的大小得到待选导联集合。然后使用所提特征提取方法对待选导联集合的脑电数据进行特征提取并将特征送入分类器中进行情感识别,从而根据识别率得到最优导联集合。在公开数据库和自采数据库上我们使用所提的导联选择方法,得到了受试者个人的最优导联集合和适用于所有受试者的公共导联集合。基于两个数据库所选择的最优导联集合的平均识别率分别为86.91%和76.52%,相比于全导联集合平均提高了约3.91%。所选择的公共导联集合的平均识别率分别为83.42%和75.39%,相比于全导联集合平均提高了 1.61%。实验结果表明,使用较少导联的数据进行脑电情感识别,不仅可以一定程度上保证识别正确率,还能有所提升。(3)在Matlab平台下开发了一种基于所提方法的脑电情感识别实验平台。该平台主要包括数据加载和预处理、全导联情感识别及最优导联情感识别三个模块。其中,全导联情感识别模块主要用于分析和呈现其相关情感识别结果。最优导联情感识别模块是为了选择获取更高识别率的导联集合,用于后续的情感识别任务。通过对实验室采集的数据进行测试,验证了所构建实验平台的有效性与实用性。