人-机交互(Human-Computer Interaction,HCI)是指在人和计算机之间通过“特殊对话”的方式完成信息交换的过程。随着信息技术和人工智能的迅猛发展,现阶段HCI设备也得到了全面的完善并逐渐应用于人类生活的各个领域。然而,传统的设备虽然能够根据人们的意愿完成一些基本的功能,但无法根据使用者的心理感受调整交互方式,难以真正实现“智能交互”。因此让计算机具有较强的情感识别能力对于进一步实现人工智能具有重要的研究意义。情感识别主要有三种研究方式:利用面部表情和声音、外周生理信号(心电、皮肤电和肌电等)以及中枢神经生理信号(脑电)。其中脑电信号(Electroencephalography,EEG)因具有实时差异性与不易伪装性等特点,逐渐成为当今情感识别领域的研究热点。目前关于情感识别的研究方法大都是基于时/频特征,却忽视了对脑电空间特性的分析,而这种空间特性有可能会为情感识别的深入分析带来一定的研究价值。基于此,本文将围绕三种情感状态(积极、中性、消极),利用共同空间模式(Common Spatial Pattern,CSP)与独立分量分析(Independent Component Analysis,ICA)两种空域滤波技术对EEG的情感识别进行深入分析。主要研究工作如下:(1)提出了一种利用CSP对脑电进行情感相关空域特征提取的方法。首先,设计了能够获取三种情感EEG数据的实验,进行了实验数据的采集。其次,为提取三分类情感任务的空域特征,在两分类CSP算法的基础上利用近似联合对角化(Joint Approximation Diagonalization,JAD)实现多分类的扩充。最后,针对多分类算法的不足提出一种改进的I_JAD方法(Improved JAD)。在自采集数据库和公开的MAHNOB-HCI数据库上进行测试,在传统多分类CSP方法中获得平均识别率分别为74.92%和81.29%,在改进的I_JAD方法下平均识别率达到了83.04%和92.70%,相较于传统的方法分别提高了8.12%和11.41%。(2)基于改进的I_JAD方法,提出了一种情感通道选择策略。为解决多导联数据在实验采集中带来的操作不便及识别性能较低等问题,通过分析各个情感与不同导联之间的相关性,设计了导联选择策略。具体来说是对每一导联在情感识别中的重要性进行权重值的定义,并根据值的大小实现导联数量和位置的优化。在自采集和公开MAHNOB-HCI两个数据库上使用所提的导联选择策略进行测试,获得平均识别率分别为86.13%和94.13%,相较于全导联情况分别提高了3.09%和1.43%。实验显示利用较少数量的导联对情感分析不仅可以简化实际应用中的操作,识别率也能有一定程度的提升。(3)设计了一种基于ICA的脑电情感识别算法。首先对于单个样本的脑电数据进行ICA算法分析以提取各个导联的独立成分。其次,利用全导联滤波器对脑电数据进行线性投影,并利用矩阵变换实现特征降维。最后对每个样本都利用上述方法提取与情感相关的空域特征,选取获得识别结果最高的样本对应的滤波器作为最优空域滤波器。在自采集和公开的MAHNNOB-HCI两个数据库上获得平均识别率分别为87.21%和90.69%,结果表明该方法对基于EEG的情感识别具有可行性。(4)分析了不同情感状态所对应“源”的位置信息。首先对当前关于情感“源”所具有的神经模式进行了大量文献的调研,并基于上述两种滤波方法在公开情感数据库SEED上进行对比分析。其次,通过实验获取了不同情感对应“源”的位置信息,并发现同一受试者在不同时间段内所采集的情感EEG信号具有相对稳定的神经模式。最后从多个角度对两种方法在情感识别应用中的差异性进行了论述。