随着社会的发展,人机交互的理论和技术日益成熟,应用范围已然深入到人类生活的各个领域。情感识别研究是人机交互的一个重要分支,计算机能够实时的识别人类的情感,并可以作出相应的情感调节,这对营造一个和谐的人机交互环境具有重要作用。脉搏信号是生理信号的一种,其本身蕴含着丰富的生理病理信息,因此,基于脉搏信号的情感识别研究具有重要意义。情感识别中分类器的好坏直接影响识别的准确性,支持向量机的关键参数如惩罚因子C、核函数参数γ取不同值时,分类器的性能受到了很大影响。本文采用群智能优化算法对支持向量机参数进行自动寻优,将萤火虫算法应用于支持向量机关键参数的优化中,使情感的识别率比未经任何处理的支持向量机高出7.9%。论文主要从以下几个部分展开基于脉搏信号的情感识别研究:(1)设计了一块光电式脉搏信号采集板,制定了一个较为合理的采集方案,采集了在校健康大学生的脉搏信号共80个样本作为实验的数据库,为后续研究工作奠定了基础。(2)采用经验模态分解(Empirical Mode Decomposition,EMD)算法对采集到的脉搏信号进行预处理,针对EMD算法存在的端点效应影响分解结果的问题,本文采用最大相关性延拓的方式对其进行改进。结果表明,改进的EMD在一定程度上抑制了端点效应,得到了较为理想的去噪效果。从脉搏信号中提取与情感密切相关的三类特征,即统计值特征、脉图面积特征量K值及经验模态能量熵特征。(3)阐述了支持向量机及其关键参数(C和γ)对分类器性能的影响,分析了传统参数优化方法的弊端。本文选取了群智能优化算法中的粒子群算法和萤火虫算法,测试表明萤火虫算法收敛速度快,鲁棒性较高,优化精度高于粒子群算法。因此,本文采用萤火虫算法优化支持向量机的参数C和γ。情感分类结果表明,经萤火虫算法优化后的支持向量机对样本进行分类的识别率比未经任何处理的支持向量机要高出7.9%。因此,该方法在一定程度上提高了情感的识别率,使计算机能更加准确的识别人类的情感。