人机交互、人工智能的进一步发展,使得情感计算的相关研究备受关注。情感计算的主要内容情感识别,当前涉及对表情、身体姿态、语音信号以及生理信号等方面的识别。其中,经常用到的生理信号有心电、肌电、脑电、皮肤阻抗、呼吸等。脑电是大脑神经元电活动的综合反映,能够反映大脑在不同认知任务和功能状态下的响应。而且脑电等生理信号不像面部表情、人体姿态等外在情感特征,可以人为刻意的掩饰,所以基于脑电实现情感识别研究能够充分反映情感状态的变化,更加客观、科学。脑电信号的主要特征是非线性、多尺度、多分辨性,其中脑电熵特征尤其是多尺度熵特征,可以充分反映脑电的特性。本文基于脑电的多尺度熵特征进行正、中、负三类情感状态的分类识别。通过将均值粗粒化方法、移动均值粗粒化方法、离散小波分解、经验模态分解四种多尺度方法和近似熵方法、样本熵方法、排序熵方法两两结合,共形成12种多尺度熵方法。比较不同多尺度熵特征在情感识别中的分类准确率和算法的时间复杂度,得到四种表现最好的多尺度熵方法:CG-PE、MA-PE、CG-ApEn、CG-SampEn。针对序列在多尺度过程中长度大大减少造成的信息丢失问题,本课题将经过多尺度处理的序列进行自适应二值化处理,来捕获序列中的微小变化。对比改进前后的分类准确率可以得出,自适应二值化的确可以捕获到序列中的微小变化,尤其是在基于均值粗粒化的多尺度熵方法中,改进方法的准确率最多提升了16.78%。为了探讨各电极脑电在情感识别中的作用,比较了16个电极的情感识别能力,发现O2处的分类准确率最好,可达到75.24%。在各脑区中,枕区对情感变化最为敏感。