情感计算是实现高级人机交互的关键技术之一,是人工智能领域中日益受到关注的一个研究方向。情感识别是情感计算的一个重要组成部分,包括语音、面部表情、文本、姿势和生理信号识别等方面,其中生理信号方面的情感识别研究是最困难的。基于生理信号的情感识别,主要研究对象是不同情感状态下的脑电、肌电、心电、皮肤电导、皮肤电阻、皮温、光电脉搏、呼吸信号等。美国MIT媒体实验室Picard教授所带领的情感计算研究小组主要是分析肌电(EMG)、呼吸作用(RSP)、皮肤电反应(SC)和血容量搏动(BVP)四种生理信号,率先从这些生理信号中提取各种特征来进行情感状态识别的研究,并证明应用生理信号来进行识别情感状态的方法是可行的。脑电信号是大脑内部亿万神经元活动在大脑皮层的综合反映,能够直接反映大脑的活动情况。思维状态的不同和各种情绪的变化会在不同的大脑皮层位置反映出不同的脑电信号,因此,脑电信号含有丰富的有用信息,如何有效的处理脑电信号和提取其中的有用信息,对于情感状态识别的研究具有重要意义。然而由于脑电信号是一种产生机理相当复杂的非平稳随机信号,其数据的采集过程相当复杂,而且容易受外界环境和心电、肌电等其他生理信号的干扰,国内外将脑电信号用于情感状态识别中的研究与其他生理信号(如心电、肌电、皮肤电等)相比非常少。从德国Augsburg大学计算科学研究所采集的生理信号数据中可以看出,他们并没有采集脑电信号的数据。论文在前人研究基于其他生理信号的情感识别的基础上,对脑电信号进行了情感识别方面的研究,主要研究内容如下：1)脑电信号的数据采集：我们实验室通过采用美国Biopac公司提供的多导生理记录仪MP150同时采集包括脑电图(EEG)、肌电图(EMG)、心电图(ECG)、血容量搏动(BVP)、皮肤电反应(GSR)和呼吸作用等六种生理信号数据。实验总共采集了244个被试的生理信号,所有被试均来自西南大学在校大一学生；2)原始脑电信号的预处理：通过分析脑电信号四种基本节律的特点,论文将脑电信号的β波节律作为情感识别研究的对象,用小波包变换从脑电信号中提取了β波节律,并对其进行功率普分析,验证了将脑电信号的β波用于情感识别研究的可行性；3)脑电信号的特征提取：将用小波包变换提取的脑电信号的β波及其所包含的小波包分解结点的小波包系数进行计算,计算出脑电信号的各种统计值作为原始特征。愤怒、厌恶、恐惧、悲伤、高兴和惊奇这6种情感类型对应6种类别,愤怒样本个数为228,厌恶样本个数为96,恐惧样本个数为230,悲伤样本个数为238,高兴样本个数为206,惊奇样本个数为191,总共1189个样本；4)脑电信号的特征选择：采用禁忌搜索算法用于情感生理信号的特征选择,将fisher作为情感模式的分类器,利用分类器的准确率来评价特征组,保留有利于准确率提高的特征组合,剔除使得准确率下降的特征组合,以此来评价特征组合的优劣。采用这种方式对情感的脑电信号特征进行选择,以便更有效地识别情感；5)论文最后通过在一对一和一对多的情感状态识别中进行实验仿真。论文通过从脑电信号中提取β波节律,并从β波中提取出相关的特征,然后利用禁忌搜索算法进行特征选择,最后在一对一和一对多的情感状态识别中进行实验仿真。从实验仿真结果分析得知,实验得到了比较满意的情感识别效果以及对识别特定情感有较大贡献的一些特征集,证实了我们所提取的脑电信号的特征用于情感识别是有一定识别效果的,将脑电信号的β波节律特征用于情感识别是可行的。