情感是一种复杂的生理心理学现象,由对各种情况的认知逻辑反应组成。情感计算是与情感相关的来源于情感或能够对情感施加影响的计算,是一类涵盖计算机科学、心理学和认知科学的跨学科领域。作为情感计算的重要组成部分之一,情绪识别是指利用人工智能(ArtificialIntelligence,AI)等技术分析个体的生理或非生理信号以识别个体的情绪状态。它不仅可以增进人机之间的交互体验,还有助于治疗心理障碍等精神类疾病。在情绪识别常用的信号中,非生理信号有语言、面部表情、肢体动作等外在表现形式,生理信号有心电、皮电、脑电等。其中,由于脑电信号(EEGSignal)具有自发性、无创性、无放射性等优点,基于脑电信号的情绪识别技术正逐渐成为热门的研究方向。近年来,基于深度学习算法对脑电等生理信号进行情绪识别的研究取得了一些显著成效。但该领域仍然存在一些问题亟待解决,如过分依赖耗时且复杂的预处理过程和特征工程,过度关注信号的时频特性而忽视空间拓扑结构等。针对目前研究中普遍存在的不足,本文在公开数据集DEAP上开展情绪识别的相关研究,工作内容主要包括以下三部分:(1)提出了一种简单高效的脑电信号预处理方法。本文将基线信号引入信号的预处理研究中,通过去除实验信号中无关因素的干扰,使信号能够更好地表征人的情绪状态。之后采用融合时域和空域特征的LSTM-CNN模型进行情感分类,其中LSTM网络用来处理情绪随时间变化的信息,CNN网络能够挖掘信道间相关性,最终将两种网络输出融合以获得情绪识别的结果。实验结果表明,本方法在效价(Valence)和唤醒(Arousal)维度的准确率分别达到90.69%和91.31%,优于基于机器学习和深度学习的同类情绪识别方法。此外,关于基线信号校准的对比实验结果表明,使用基线信号校准后的数据训练出的模型分类准确率更高。(2)提出了一种新的脑电信号时空特征表示方法。首先根据原始电极位置,将一维数据向量序列表示的原始脑电信号重构为二维脑电帧,之后将二维帧序列连接到时间轴来表示三维脑电图流,以作为基于时空域特征的3DCNN情感分类模型的输入。实验结果表明,经过三维重建的原始脑电信号可以有效地与3DCNN模型结合。本模型在Valence和Arousal维度上的二分类中分别达到了95.16%和95.57%的分类准确率。为了进一步确认本模型的时空有效性和优于手工提取特征的性能,将输入数据类型和CNN维度自由组合后的五种模型作为对比实验对象。实验结果表明,本模型提出的三维脑电图流表现出更佳性能。(3)设计了基于深度学习的脑电信号情绪识别系统。作为情绪识别平台,该系统实现基于脑电信号的情绪识别和数据管理。系统的主要功能是集成基于3DCNN的情绪识别模型,根据用户上传的被试脑电信号数据对情绪状态进行检测,并将检测结果输出显示和打印。该系统可以有效提高医生工作效率,增加了人机交互的友好性。