用户的情感信息在人机交互中起着重要的作用,自动情绪识别的应用可以使人机交互变得更加智能和友好。近年来,基于脑电的自动情绪识别受到了广泛关注并涌现出大量成果,但其在实际应用中仍面临着巨大的挑战。首先,为了获取尽量丰富的信息以得到较高的识别准确率,通常利用多通道(32、64或128通道)的脑电特征进行情绪识别。但过多通道的使用,一方面增加了设备成本、设计难度和操作复杂度,另一方面,特征维度过大会导致计算量过大,从而影响情绪识别的实时性。另外,机器学习已经在情绪识别研究中得到广泛应用,不过寻找实际应用中合适的模型和算法仍然是目前研究的一个重点。本文针对这些挑战进行了一些有益的探索,主要工作和成果包括:1)提出了三种基于Relif F的脑电通道选择策略,并在DEAP情感数据库的四类情绪识别中加以应用和验证。结果表明,通道选择可以在不损失或轻微损失情绪识别准确率的情况下有效地减少通道数。与基于特征选择的通道选择策略相比,基于通道权重的选择策略能够更有效地减少通道数。在第三种策略中,通道权重根据其对情绪分类的贡献度进行调整,在情绪识别准确率稍微降低的情况下,通道数可减少到8个。相同策略应用于基于F-score的通道选择并与基于Relif F的算法进行比较。本文研究结果表明了通道选择的必要性和有效性,对基于脑电的情绪识别的现实应用具有重要意义。2)由于被试之间的个体差异性,不同被试的脑电通道选择结果往往存在差异。因此如何选择对大多数人都实用的公共通道尤为重要。本文在前面被试相关通道选择基础上进行了公共通道选择的研究。实验结果表明了公共通道选择的可行性和有效性。所选通道在头部明显呈对称分布,且主要位于额叶和顶叶这些被证实与情感处理相关的脑区,这些发现与脑科学和神经科学中的相关结论是一致的。公共通道的选择结果为情绪识别的实际应用以及研究情绪处理和脑区间的关系提供了一定的参考。3)将概率神经网络(PNN)分别用于valence和arousal维度的两类情绪识别中。结果表明基于PNN的识别准确率与SVM的结果类似,但PNN在时间效率上明显优于SVM,这表明PNN可能更适合用于情绪的实时检测。此外,通道选择的结果进一步验证了通道选择在基于脑电的情绪识别中的必要性和有效性。