情感识别是当前人工智能领域的一个热点研究方向。它通过研究不同情感状态所表现出来的不同特征,借助计算机来处理,从而实现人机交互智能化的目标。情感识别研究是一项多理论多学科交叉融合的研究,它不仅涉及计算机智能化的研究内容,更涉及人类心理学、生理学以及生物学等多方面的内容,其在实际应用中的广阔性使其成为情感计算研究领域不可缺少的重要组成部分。除了在文本、语音和面部表情等外部行为方面进行情感识别的研究外,目前不少学者的研究目光开始转向基于生理信号的情感识别上来,并且国外在这方面的相关研究已经取得了一定的成果,他们研究的生理信号主要包括肌电(EMG)、皮肤电(SC)、心电(ECG)和呼吸作用(RSP)等。但是,基于脑电信号进行情感识别方面的研究却涉及很少。研究表明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应,大脑的活动所产生的丰富信息都通过脑电信号直接传递。脑电信号的产生与思维状态、情绪变化及大脑皮层的位置紧密相关。因此我们可以根据脑电信号所表现出来的一些特征来推断情感状态信息。为了准备地进行情感识别的判断,就必须正确提取与之相关的有用的脑电信号。然而,由于脑电信号的非平稳性、随机性和产生机理的复杂性,其采集难度较大,而且容易受心电、肌电等其他生理信号和外界环境的干扰,所以与其他生理信号相比,国内外将脑电信号用于情感状态识别中的研究尚还处于起步阶段。本论文在已有相关研究的基础上,着重进行了基于脑电信号的情感识别的研究。主要研究内容如下：(1)中文情感词的选定：首先从《现代汉语词典》中人工筛选出情感词3750个,然后基于实验室的情感语料库,选出词频较高的常用词945个。最后,对这945个词设计问卷调查并统计调查结果,筛选出情感强度最高的20个词。(2)脑电信号的数据采集：本实验采用ESA Pro/Basic系统来获取脑电信号。共采集了7名被试的脑电信号。所有被试均来自日本德岛大学的研究生和博士生。(3)脑电信号的特征提取：本研究采用时域分析和频域分析相结合的方式来提取脑电信号特征。具体采纳的方式为互相关特性、主成分分析和α波占有率。(4)脑电信号的分类及结果评估：将支持向量机(SVM)和线性判别分析(LDA)作为情感识别模式的分类器,利用分类器的准确率来判断实验假设是否可行。对于以上两种分类器,最佳准确率分别达到了51.47%和65%。本次研究的主要目的是揭示在给定中文情感词的条件下,以基于联想方式获取的脑电信号用于情感识别时的可行性。我们首先选取了20个情感强度高且频度高的中文词用于本次实验,然后采用互相关系数、主成分分析及α波比率进行特征提取,最后采用支持向量机和线性判别分析的方法来进行情感分类。从实验结果分析得知,我们将从原始脑电信号中提取出的特征用于情感状态的识别具有一定的效果,同时将基于联想方式获取的脑电信号用于情感识别具有可行性。