本课题将自适应遗传算法(AGA，Adaptive Genetic Algorithm)应用到生理信号情感识别的特征选择过程中，对与情感相关的四种生理信号进行特征选择，并用支持向量机(SVM，Support Vector Machine)进行分类评估，得出基于最优识别率的特征子集，以此研究生理信号数据及其统计特征与情感状态之间的相关关系，为后续进行基于生理信号的情感状态分类器的设计与研究奠定基础，为更科学地进行情感计算提供新的实践方法和手段，具有重要的学术价值和应用意义。　　 本课题主要研究自适应遗传算法在生理信号情感识别特征选择过程中的应用。课题选用了四种与情感相关的生理信号，它们是心电图(ECG，Electrocardiogram)、肌电图(EMG，Electromyogram)、呼吸(RSP，Respiration)和皮肤电导(SC，Skin Conductivity)，用其分类识别高兴(Joy)、愤怒(Anger)、悲伤(Sadness)愉悦(Pleasure)这四种情感状态，并以德国奥格斯堡大学多媒体与信号处理实验室的数据为例，对分类识别过程中的最优化特征选择算法进行研究。主要完成了遗传算法适应度函数的设计，遗传算法优劣评判准则的设计，标准遗传算法(SGA，Simple Genetic Algorithm)的选择操作、交叉操作和变异操作的自适应改进和终止条件的设计等工作。　　 经过本课题的研究实践，基于自适应遗传算法的特征子集选择方法能够在可接受的代价内找到情感分类问题的最优解，该算法可以较好地剔除冗余特征，提高识别率。本课题的研究为以后情感识别分类器的设计奠定了良好的基础。