生理信号与心理状态息息相关,心理状态的变化会影响到生理信号的表达。情绪作为心理状态的最直观表达,必然会在生理信号中得以体现。近年来,社会的迅猛发展加快了人们的生活节奏,进而增大了人们的精神负担,导致其负面情绪越来越频繁的出现。负面情绪的长期影响轻者会引起狂躁、焦虑等症状,严重者甚至会引发抑郁或者自杀等极端情况的出现,及时准确的识别人的情绪状态并实施正确的干预治疗具有重要的社会意义和临床价值。另一方面,随着人工智能与机器学习的研究进展及其快速的工程应用,人机交互能力,特别是情绪识别与情感计算的重要性也越来越显著,其在临床研究、社会科学以及工程研究及应用中的作用日益凸显,情绪识别与情感计算的研究不仅具有重要的理论意义也具有十分重要的应用价值。在近年的情绪识别研究中,基于生理信号的情绪识别研究逐渐占据主流并越来越引起人们的关注。针对目前基于呼吸信号进行的情绪识别研究文献匮乏,成果产出过少,呼吸信号的特征库特征数量不够丰富等问题,本文在领域已有研究的基础上,提出了用于呼吸信号情感特征提取的新方法,并引入聚合经验模态分解和信息熵等现代信号处理方法,研究基于呼吸信号的情绪识别问题,主要研究内容如下:(1)设计呼吸信号采集实验,激发被试者的特定情绪并记录时长5分钟的平静、恐惧、悲伤、高兴、愤怒、厌恶共6种情绪的呼吸数据。然后对重采样后的呼吸信号采用二阶IIR峰值滤波器进行滤波降噪处理,去除呼吸信号的噪声干扰,获得用于后续研究使用的相对纯净的呼吸信号,为信号的特征提取奠定基础。(2)基于EEMD分解算法分别计算呼吸信号分解后各IMF分量的近似熵、样本熵、模糊熵以及能量熵,进而构成呼吸信号的EEMD信息熵特征集,并根据不同情绪下通过EEMD分解后的呼吸信号IMF分量与分解前信号的相关系数对特征集进行取舍,最终筛选出与分解前信号相关性较强的IMF分量计算对应的4种信息熵值构建呼吸信号EEMD信息熵特征矩阵,为呼吸信号的情绪识别模型提供特征集合。(3)将呼吸信号EEMD信息熵特征组输入支持向量机和随机森林,采用十折交叉检验与网格寻优确定最优算法参数构建呼吸信号的情绪识别模型,一对一情绪识别率最高达到了 83.33%,进而验证了 EEMD信息熵算法应用于呼吸信号情绪识别的可行性和有效性。(4)提取呼吸信号的传统时频域特征以及未经EEMD分解的呼吸信号序列的熵特征构成传统特征组,将EEMD信息熵特征组、传统特征组以及两组融合后的组合特征分别进行情绪识别并比对识别率,基于EEMD信息熵特征组的优秀分类效果阐明了该方法应用于呼吸信号情绪识别的优越性。