1、受諸多因素的影響，情緒目前在心理學(xué)上還很難給出一個(gè)確切的定義，但是情感計(jì)算是實(shí)現(xiàn)高級(jí)人機(jī)交互(Human Computer Interaction，HCI)的關(guān)鍵技術(shù)之一。一些較早關(guān)于情緒識(shí)別的研究所用的信號(hào)都是非生理信號(hào)，一些計(jì)算機(jī)視覺(jué)技術(shù)有能力識(shí)別到非生理情感特征，如面部表情、手勢(shì)和語(yǔ)音信息等，但這些外部特征容易被偽裝而且不穩(wěn)定，這很容易導(dǎo)致不可靠的結(jié)果。相反，從生理反應(yīng)獲得的各種生理指標(biāo)，如腦電(EEG)、皮膚電反應(yīng)、血液循環(huán)、呼

2、吸活動(dòng)等不能被偽裝且穩(wěn)定。目前情緒識(shí)別技術(shù)廣泛應(yīng)用于商業(yè)、測(cè)謊、安檢等領(lǐng)域，如何有效識(shí)別情緒一直是一個(gè)十分值得研究的問(wèn)題。本論文的主要工作如下：
　　1．網(wǎng)絡(luò)的方法被廣泛應(yīng)用于疾病識(shí)別、測(cè)謊、磁共振等模式識(shí)別領(lǐng)域，在已有的功率譜研究的基礎(chǔ)上我們首先提出網(wǎng)絡(luò)分析的情緒識(shí)別方法。多模態(tài)特征的方法在模式識(shí)別中也得到廣泛地應(yīng)用，其次我們提出將功率譜特征和網(wǎng)絡(luò)特征相結(jié)合的方法以提高分類的準(zhǔn)確率。我們用五個(gè)頻段（theta，slow alph

3、a,alpha,beta,gamma）下的功率譜作為特征進(jìn)行三種情緒（正性，中性，負(fù)性）分類，結(jié)果發(fā)現(xiàn)在beta和gamma頻段有較高的分類準(zhǔn)確率，分別為62.8％和64.2%。然后提取五個(gè)頻段下的網(wǎng)絡(luò)屬性作為特征進(jìn)行情緒分類，結(jié)果也發(fā)現(xiàn)在beta和gamma頻段有較高的分類準(zhǔn)確率分別為56%和67%，這說(shuō)明我們可以用網(wǎng)絡(luò)的分析方法來(lái)研究情緒識(shí)別。最后我們結(jié)合功率譜特征和網(wǎng)絡(luò)特征進(jìn)行分類，在beta和gamma頻段的準(zhǔn)確率分別為63.3

4、%和68.2%，比功率譜和網(wǎng)絡(luò)特征的分類準(zhǔn)確率都要高，這說(shuō)明結(jié)合不同類型的特征可以提高分類準(zhǔn)確率。
　　2．隨著人工智能的快速發(fā)展，機(jī)器學(xué)習(xí)成為了熱門(mén)的研究，作為機(jī)器學(xué)習(xí)的一個(gè)重要分支，深度學(xué)習(xí)在其中扮演了十分重要的角色，深度學(xué)習(xí)能夠構(gòu)建學(xué)習(xí)網(wǎng)絡(luò)并表現(xiàn)出來(lái)優(yōu)越的分類性能。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）是一個(gè)比較成熟的深度學(xué)習(xí)模型，目前CNN被廣泛應(yīng)用于圖像識(shí)別，語(yǔ)音識(shí)別等領(lǐng)域，已有