情绪是一种精神状态,与思想,情感,行为反应等有着千丝万缕的联系。情绪很复杂,它们是感觉的状态,可以影响我们的行为、身体和心理变化。在人们的日常工作和生活中,情绪的作用无处不在。由于机器学习和深度学习的急速发展,情绪自动识别技术也有了突飞猛进的进步。心电(Electrocardiogram,ECG)是使用放置在皮肤上的电极在一段时间内记录心脏的电活动的过程。心电不仅获取容易且能较为快速的反应情绪状态使其成为自动情绪识别研究的重要方向之一。但经过多年发展,研究遇到了一定瓶颈。主要体现在三个方面:(1)现有的基于ECG的样本切分往往需要较长时间(>30s)才能达到一定的准确率;(2)现有的情绪识别研究中情绪状态变化的前后关系很少被考虑到,即ECG特征序列在时间上的相关性没有被利用到;(3)现有的情绪识别研究中,多采用手工提取特征,有效性有限且极为复杂,需要耗费很多时间。针对以上三个问题,本文设计了基于ECG信号的时频域特征的情绪识别框架和基于心电信号的深度特征融合的自动情绪识别算法框架。具体如下:(1)设计了基于ECG信号的时频域特征的情绪识别框架。通过提取短时(10s)的时域特征,频域线性特征,频域非线性特征和时频域特征,并应用于机器学习算法,最终在正、负向情绪二分类实验中达到79.51%的平均准确率。(2)设计了基于心电信号CNN及双向GRU深度特征的集成学习情绪识别框架。设计卷积神经网络(CNN)模型和双向门控循环单元(GRU)模型提取两种深度特征并进行融合。该算法框架直接基于原始ECG信号提取特征,并综合考虑ECG信号在时间上的相关性。并加入了集成学习算法,不仅提高了分类器的准确率,达到了87.71%,也增强了模型的泛化性能。本文所提供的算法可以直接基于原始ECG信号进行特征提取,无需繁复的手工特征提取过程,且在准确率上有所突破。是对基于ECG信号的自动情绪识别研究的一次有意义的探索,也为ECG信号的相关研究提供了一种新的探索方向。