情绪是一种综合了人的感觉、思想和行为而产生的心理状态,它包括了人对外界或自身刺激的心理反应,以及伴随着这种心理反应的衍生出来的生理反应。在人们的日常工作、学习和生活中,情绪的体现无处不在,对情绪的分析和识别是神经科学、心理学、认知科学、计算机科学和人工智能等众多领域交叉下的一项重要的研究课题。脑电信号（EEG）作为脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映,包含了大量的生理与疾病信息。但脑电信号是一种随即非平稳的微弱信号,通常只有0.2～1毫伏,具有随机性和非平稳性强、非线性、背景噪声复杂等特点,加之情绪的复杂多样性,多导联脑电信号产生的高维多元时间序列更是脑电信号分析处理的难点所在。近年来,随着脑电信号采集设备的应用和推广,信号处理和机器学习技术的快速发展,以及计算机数据处理能力的大幅提高,基于脑电的情绪识别研究已经成为神经工程和生物医学工程领域的热门课题。因此,本文主要针对多导联脑电检测仪检测到的基于音乐的高维动态多元时间序列信号来研究时间序列数据特征提取选择、参数寻优、降维可视化,从而实现经典的音乐情绪识别研究,具体内容如下:一,基于音乐的情绪诱发实验设计与信号预处理:为了采集到不同人在不同情绪下的脑电信号,结合实验室的脑电检测仪,设计基于音乐的情绪诱发实验,采集22位实验志愿者愉悦状态和不愉悦状态的脑电数据。针对实验采集的数据量大、有一定的噪声干扰、存在大量冗余的数据的问题,首先对原始脑电信号进行滤波处理,消除工频干扰、眼动干扰等噪声;其次对原始脑电记录进行分割,将长样本分割成3秒一段的小样本;并采用排查的方法剔除个别出现奇异点或位置偏移明显的异常样本。最终获得22个数据集,作为整篇音乐情绪识别与可视化的数据基础。二,基于音乐的脑电特征提取与选择:验证了脑电信号的群体不可分性,数据集的分析结果可彼此之间互相补充论证。根据脑电信号的生理特征,从经过了预处理和数字化处理的脑电信号中依次提取出能反应情绪变化的常用特征,包括时域统计特征、频域特征、时频域特征、Hjorth特征、HOC特性以及微分不对称特征。根据研究需求和各类特征的适用性进行特征组合,并对所有特征组合进行识别准确率对比分析,采用K-紧邻、朴素贝叶斯、决策树和随机森林四种常规分类方法。分类准确率的对比分析表明:首先,HOC+Hjorth+微分不对称的特征组合识别结果优于其他三种特征组合;其次,随机森林分类器的情绪识别效果最优;最后,HOC特征的最高阶数P取值存在显著的个体差异性,且直接影响到情绪识别结果。三,基于群智能理论的HOC特征参数优化选择:选用一种简单高效且更适用于非线性优化问题的群智能优化算法—萤火虫算法分别对22个数据集的P值进行参数优化,将随机森林有监督学习的分类结果作为优化过程中的评价函数,优化结果相互独立且互不影响,自动优化后的P值能使每个个体的情绪识别效果达到最佳。为了避免优化过程中的高分类准确率存在偶然性,对个体特征样本进行交叉验证,验证结果证明不存在偶然性。四,基于t分布随机邻域嵌入的脑电可视化:由于人体脑电情绪的多样性,为了观察和发现二维空间中复杂脑电信号的正、负类别,本文采用了一种非线性的降维可视化算法t-SNE对高维脑电数据进行可视化从而辅助情绪识别。此外发现算法困惑度Perplex的取值直接影响可视化效果,需要进行参数优化,因此使用上一章的萤火虫算法分别对22个数据集进行Perplex值优化,将HOC+Hjorth+非对称特征组合在高维和低维空间上的KL散度之和的倒数作为优化过程中的评价函数,自动优化后的Perplex值能使每个个体的可视化效果达到最佳。五,基于DEAP公开数据集的情绪识别研究:使用DEAP脑电公开数据集中14个个体的情绪采集数据对研究结论进行验证和优化。首先从经过了预处理的脑电信号中提取出时域统计特征、频域特征、时频域特征、Hjorth特征、HOC特征以及微分不对称性特征,验证了HOC+Hjorth+微分不对称特征是最具价值的特征组合。然后,使用萤火虫算法优化HOC特征的最高阶数P,将随机森林交叉验证后的学习结果作为寻优过程中的评价函数,14个个体的寻优结果相互独立且互不影响,验证了P值存在显著的个体差异性。最后使用t-SNE可视化算法对特征数据进行可视化寻优,即在可视化的过程中进行优化,最终获得一个最优的可视化结果,与此同时发现数据分类结果的好坏直接影响到可视化效果,部分个体数据集可视化效果不理想。