理解他人的情绪是人类能够进行学习、社会认知和社会交往的先决条件,如何使计算机能够感知人类情绪并据此做出适当决策也正成为人工智能领域的一个重要的研究方向,也被称之为情感计算。近些年来,情感计算已经成为一个全球性的研究热点,部分原因是可穿戴计算设备的快速发展,以及一个更加沉浸式的人机接口(HCI)环境的迫切需要。情绪识别方式有很多种,当前脑成像技术的快速发展使得直接基于大脑活动状态的情绪分析和识别受到越来越多的关注,但是发掘大脑在不同情绪下的特征模式,提高情绪识别的正确率仍然是一项极具挑战性的任务。本文基于DEAP情绪数据库,利用多通道脑电信号(EEG)构建脑连接网络进行情绪信息的大脑处理机制及情绪分类识别的研究,主要工作包括:1)首先采用格兰杰因果关系构建了不同情绪状态下的EEG脑效应连接网络,并分析了不同情绪状态下脑效应网络的差异和信息交互情况。实验结果显示(1)在大脑的情绪活动中,前额叶扮演者重要的角色;(2)负面情绪状态下大脑信息交互更为活跃;(3)在负面情绪下,顶叶较为活跃,这可能与顶叶参与警觉机制的运作具有一定的关系。2)基于EEG的皮尔逊相关系数构建情绪脑功能连接网络。通过对功能网络的分析同样显示,消极情绪下的功能网络拥有更大的度和聚类系数,这意味着消极情绪下的网络连接更活跃。然后,提取功能网络特征,利用机器学习算法对不同情绪状态进行分类,在Valence上取得70.22%的分类准确率,在Arousal上为62.26%。其结果表明,基于皮尔逊相关系数的脑功能网络对于表征和区分不同情绪任务具有较好的效果。3)构建基于EEG脑功能网络的最小生成树(MST),并利用MST特征用于情绪的分析和识别。MST的使用不仅解决了脑网络分析中个体差异性带来的阈值选取问题,还大大减小了脑网络的分析复杂度。利用图理论提取MST中的相关特征并进行分析得到:(1)对不同性别的MST特征进行比较发现,女性和男性相比对情绪刺激更为敏感;(2)不同情感下的MST比较结果说明,消极情绪拥有比积极情绪更活跃的结构,这与先前发现的结果和经验相吻合。(3)利用机器学习算法基于MST特征进行情绪分类,在Valence上的分类准确率为73.67%,Arousal为69.84%。MST不仅简化了脑网络分析复杂度,也一定程度上提高了情绪识别的准确率。4)对基于EEG非线性近似熵特征的情绪识别进行了研究。提出了基于矩阵运算的快速近似熵算法。实验结果证明,改进后的近似熵运算速度相较经典算法最快可提升90.26倍。随后,在利用近似熵特征的情绪识别中,先前研究取得的分类准确率65.12%相比,在不失准确率的情况下,算法速度有明显提升,证明了其有效性。