生理信号是伴随着人的情感状态由人体器官产生的一种生物电信号,具有较强的客观性。因此,使用生理信号来做人的情感状态识别研究具有客观性与准确性。心电信号是最重要的生理信号之一,在情感识别方面一直受到高度的重视,其分析方法大致可以分为线性和非线性两种。常见的非线性分析方法有分形维数、复杂性、近似熵、Lyapunov旨数以及Kolmogorov熵等。论文选取心电信号及从心电信号中提取得到的心率变异性信号(Heart Rate Variability, HRV),用它们来进行不同情感状态下生理信号的情感识别。通过情感心电信号采集、对信号去噪、波形定位等预处理,提取非线性特征等一系列工作,最终得到了一些基于非线性特征的情感状态识别结果。具体工作步骤如下：1.建立具有不同情感的心电信号的数据样本库。通过事先确定周密的信号采集方案,选取本校一年级17-22岁之间的身体、心理健康的大学生进行实验,通过观看视频诱发其不同情感的方式采集他们的情感心电信号。2.对实验数据进行信号预处理。采用小波变换方法对这些原始心电数据进行去噪、心电P-QRS-T波形的定位处理后,可以得到符合做特征提取的心电信号,并从中计算提取得到HRV信号。3.采用心电信号的QT间期对RR间期的散点图、功率谱图的1／f分布以及HRV信号的Poincare截面图等非线性分析方法,研究有情感和没情感状态下心电信号中的情感信息。并对心电信号统计特征做对比的情感识别,分析其情感识别效果。4.提取心电信号在Angry、Disgust、Fear、Grief、Happy、Surprise及Calm七种情感状态下,HRV信号的非线性特征(Lempel-ziv复杂度、ApEn近似熵、最大Lyapunov指数以及Kolmogorov熵),分析其在这七种情感状态下的情感识别效果。通过对心电、HRV信号提取的非线性特征分析,并结合支持向量机(SVM)分类器对情感进行分类识别,得到了一些情感状态识别结果。通过以上的工作得到如下结果：1.对于HRV信号,发现当人体处于Calm这种非激发态的情感状态以及Angry、 Disgust、 Fear、 Grief、 Happy、 Surprise等六种激发态的情感状态,其非线性特征在有情感与无情感两类情感状态下都有较明显的区分。2.通过对HRV信号的Lempel-ziv复杂度、ApEn近似熵、最大Lyapunov指数以及Kolmogorov熵这些非线性特征值的分析,发现Angry、Disgust、Fear、Grief、 Happy、Surprise以及Calm等七种情感状态下,特征值的排列大小规律如下：Fear的特征值最大,Calm的特征值最小。Grief与Angry、Happy三种情感特征值大小排在Fear之后,Disgust与Surprise排在其次。3.对于HRV信号的Lempel-ziv复杂度、ApEn近似熵、最大Lyapunov指数及Kolmogorov熵等非线性特征来说,女性的特征值要大于男性。4.对于Calm与另外六种激发态的情感之间的识别,无论是一对一的两两情感识别,还是一对多的情感识别,都取得了较好的识别效果。六种激发态的情感之间,在一对一的单一特征情感识别和一对多的多特征情感识别下,都有Fear、 Happy、Disgust与Angry等情感的识别效果较好,而Grief与Surprise等情感的识别效果较差。5.从各种情感的最优特征组合可以看出,Lempel-ziv复杂度与最大Lyapunov指数是非常有效的非线性特征。从以上的结果与分析可以看出,用心电、HRV信号进行情感状态的识别研究中,使用非线性特征参数是可行的,并且具有一定的规律性。