情感在人类的感知、决策等过程中扮演着重要角色。长期以来情感智能研究只存在于心理学和认知科学领域,近年来随着人工智能的发展,情感智能与计算机技术结合产生了情感计算这一崭新的研究课题,这将大大地促进计算机技术的发展。情感识别是情感计算的一个关键问题,是建立和谐人机环境的基础之一,其目的是为正确选择情感信号提供理论与实验的依据,为情感的理解和表达提供可靠的原始数据,它的应用极其广泛。目前,情感识别的方法多采用面部表情、身体姿态和语音信号分析法,以及心理学上常用的问卷调查法,其结果一般受被试和主试的主观因素影响,而生理变化只受人的自主神经系统和内分泌系统支配,不受人的主观控制,因而应用生理信号测量法,所得数据更客观。情感生理反应特异性问题一直存在着争议。Ekman等人通过所做的一系列实验得出的结论表明,至少对某些情感来说,其生理反应是特异的。Picard教授带领的MIT媒体实验小组证明应用生理信号对情感识别的方法是可行的。在情感状态识别中,大量无关或冗余的特征往往会影响识别的速度和准确率,因此需要特征选择。特征选择问题实质上是特征搜索问题,已经被证明是NP难问题,虽然有一些学者提出了许多搜索算法,但是到目前为止还没有公认有效的搜索算法。离散二进制粒子群(BinaryParticle Swarm Optimization,BPSO)算法是一种基于群智能的全局优化算法,主要用于解决组合优化问题,且具有编码简单、个体数目少、计算速度快、易于理解、易于实现等特点。因此,论文研究将BPSO算法应用于情感生理信号的特征选择问题,以提高情感状态的识别率。论文在现有研究成果的基础上,主要做了以下三个方面的工作:(1)针对多生理信号情感识别中的特征冗余问题,研究将计算智能的思想引入到情感生理信号的特征选择中,以期证明能否提高情感状态的正确识别率。采用BPSO方法进行情感生理信号的特征选择,对单一生理信号识别单一情感及多种情感进行了研究,同时,在单一生理信号的基础上,研究了多种生理信号识别单一情感及多种情感;(2)针对BPSO后期搜索易停滞现象,利用改进的BPSO算法进行情感生理信号的特征选择,以提高了算法的适应能力;研究了单一生理信号识别多种情感及情感识别率随粒子变异率的变化关系。(3)为了研究情感与生理信号之间的关系,采用几种不同的特征选择方法及分类器进行情感状态识别。论文通过大量仿真实验证实了上述工作的正确性,取得了如下几方面的研究成果:(1)从四种情感状态对应的四种生理信号中提取了193个原始特征,采用BPSO方法进行特征选择,四种情感的总体识别率最高达到86%。四种情感状态中,心电信号和皮电信号识别高兴的效果较好,分别达到88%和72%;肌电信号和呼吸信号识别愤怒的效果较好,分别达到80%和100%;四种生理信号中,呼吸信号识别四种情感的正确率最高,达到69.86%。(2)通过仿真实验可知:当变异维数为2时,四种情感的平均识别率效果最好,由原来的66%提高到81.35%,用KNN分类器,四种生理信号的平均识别率最高可达到82.2%。(3)由SFS,SFFS与KNN,LDF等方法的识别结果发现,采用四种生理信号进行情感状态识别时,Joy和Anger的识别效果较好,Pleasure的识别效果较差。通过本文的研究可以看出,BPSO方法是一种较好的情感生理信号特征选择方法,通过使用该方法可以有效的提高情感状态识别率,为以后情感识别的实际应用奠定理论基础。