人口老龄化的加剧,不仅加重了家庭劳动人口的经济与精神负担,而且独居老人的数量也逐步增多。这种社会现象的加重,导致像老年痴呆症等神经退行性疾病,抑郁症、焦虑症等心理疾病的发病率迅速增加。这些与情绪相关的神经性疾病给公共医疗护理与康复带来了很大的负担,而非药物干预措施——音乐治疗在康复医学中成为一种潜在的治疗手段。在音乐个体化治疗中,不同情绪状态下治疗效果差异性很大,音乐情绪状态有效检测成为关键,而情绪状态识别与敏感脑区研究成为重中之重。在情绪状态分析中,提取有效且与情绪相关性高的特征量是关键所在。本文以音乐所诱发的情绪脑电为研究目标,提取了6种(高兴、激动、平静、忧郁、难过和恐惧)情绪的不同方面的脑电特征:小波系数能量,小波熵,δ、θ、α、β四种节律波的固有模态函数分量特征、近似熵、Hurst指数以及偏侧化特征,基于粒子群优化的支持向量机分类器实现情绪状态分类。分别对比了不同情绪不同特征识别效果,研究表明,单一特征量的分类效果并不理想,分类准确率均值仅有50%左右,说明单一特征量不能全面地反映情绪的特异性;若简单地进行特征组合,则有可能使冗余量增加,本文基于主成分分析进行特征融合,选取与情绪高度相关的特征参数,结果显示,特征融合后的分类准确率比组合特征量能提升30%左右。本文基于脑电进行情绪敏感脑区分析,提取了前额区、额区、侧额区、中央、颞区和顶区共12个通道数据,对比各个通道情绪识别效果与结果的浮动性,得出积极情绪的敏感区域较为集中,主要在左侧额区;消极情绪的敏感区域较为分散,在左侧额区、左侧中央、右侧顶区、左右额区以及右侧颞区较为敏感。为了更加直观地显示出不同脑区情绪分类结果,本文基于Visual Studio 2010,SQL Server 2008和MATLAB 2009a设计了情绪状态评估系统,该系统可实现对音乐情绪状态的有效评估。