随着人工智能技术的日渐成熟以及人机交互技术的持续应用,通过脑电信号来进行情感识别已经成为人工智能领域内的一个热点研究课题。脑电信号(EEG)作为脑神经细胞生理活动在大脑皮层的一种总体反应,由于其具有不易伪装、可靠等特点,可以客观准确地反映出人们内在的情感状态。如何根据脑电情感信号构建特征工程和保证情感特征质量,以及提高情感分类模型的识别率和泛化性,这仍是脑电情感识别领域中所面临的挑战。本文以Deap脑电情感数据库为研究对象,对常见的5种情感:轻松,沮丧,快乐,压力,平静进行研究分析。本文的主要工作如下:第一,采用db4小波变换对脑电情感信号进行预处理,提取了脑电信号中子频带中的线性特征(波动指数)和非线性动力学特征(样本熵,近似熵,排列熵和Hurst指数),并提出采用基于反馈原理的加权特征融合方式。相较于传统的简单特征组合,加权特征融合更能突出不同的情感特征对分类结果的影响,使相关性越强的特征得到更大的权重,最后引入计算效率更快的孪生支持向量机(TWSVM)对脑电情感进行分类识别,平均准确率达到了88.2%,相较于传统的特征组合分类准确率有一定的提高。第二,把深度学习中的卷积神经网络(CNN)作为基本前提,对传统的CNN网络结构进行改进,提出一种将循环卷积神经网络(RCNN)与长短期记忆神经网络(LSTM)模型相融合的脑电情感识别方法。利用RCNN可以自动的提取脑电情感信号抽象特征的能力,省去了人工设计特征与计算等过程,并对原始的脑电情感信号进行单步切分,通过RCNN特征提取后进行了多时段情感特征融合,并借助LSTM对时序序列分类识别的优势,使其对脑电情感信号的时、空、频域特征能有很好的泛化能力和强鲁棒性。最终由实验得出的情感平均分类识别率达到了94.63%,结果表明RCNN-LSTM模型可以帮助人们有效的识别脑电情感信号。第三,以传统的残差神经网络(Resnet)为基础,设计了一个多尺度注意力残差神经网络(MAResnet)的脑电情感信号分类模型。在传统的残差学习块中加入了注意力机制,使其能够对输入的不同通道的特征间的关联性和重要性进行学习,通过在同一空间位置并联使用不同尺寸的卷积核,得到多通道的输出,从而对脑电情感信号进行了多尺度特征提取,并在网络模型中进行了残差学习,以避免网络的退化。实验结果表明,改进前的原始Resnet对5种情感识别率为68.96%,而MAResnet的平均准确率达到了84.56%,证明了该方法的有效性。