随着计算机网络通信技术和多媒体技术的飞速发展,新型的人机交互(Human MachineInteraction,HCI)技术已成为当前计算机科学领域一个十分活跃的研究课题。情感计算的研究对于增强计算机的智能化和人性化开发新型人机环境,以及推动心理学等学科的发展,有着重要的现实意义,并最终产生很大经济效益和社会效益。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。情感识别的方法,目前多采用面部表情,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,其结果通常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。所以本文采用生理信号中的表面肌电信号(surface electromyography signal EMG)来识别joy、anger、sadness、pleasure四种情感状态。本文是在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和德国Augsburg大学的研究成果上并采用德国Augsburg大学Johannes Wagner等人对1个被试者在音乐的诱发下产生的joy、anger、sadness、pleasure四种情感时25天的表面肌电信号数据的基础上,主要做了以下两个方面的工作:(1)针对表面肌电信号的非平稳性,采用小波变换方法对表面肌电信号进行分析,然后提取小波系数最大值和最小值构造特征矢量分别输入用L-M算法改进的BP神经网络分类器和最近邻法分类器对joy、anger、sadness、pleasure四种情感状态进行分类识别。(2)对25天的表面肌电信号数据采用小波包变换方法进行预处理,然后提取小波包变换系数的熵值。通过大量仿真实验确定分类判别点的小波包系数熵值,并对joy和sadness,anger、和pleasure,joy和pleasure,anger和sadness的4组情感和情感唤醒度进行了分类识别。通过大量仿真实验证实了上述工作的可行性和有效性,得出以下结论:(1)总体分类识别效果BP神经网络分类器优于最近邻法分类器,其中单个情感ioy的识别效果最近邻法分类器LLBP神经网络分类器要好,也说明情感状态joy的表面肌电信号聚类效果较好。也证实了用单一的生理信号也能达到较好的识别效果。如果对BP网络的设计和学习算法的进一步改进,以及小波变换特征提取的改进都是可以提高情感识别率的。今后的工作就是BP网络的设计和学习算法的改进,以及小波变换特征提取方法的改进。(2)用空间的相对能量的小波包系数熵作为特征是一种较好的特征提取方法,能得到比较理想的识别结果。并说明了高唤醒度的表面肌电信号比较有序,低唤醒度的表面肌电信号比较无序混沌,能量随机的分散在各个子频带中。也证明了提取表面肌电信号的小波包系数熵来分析表面肌电信号,并进行情感状态识别是可行且有效的。。但是用小波包系数熵同时来识别joy、anger、sadness、pleasure四种情感状态效果不太理想,应该进一步去研究发现更有效的特征并加入进来;或者进一步去研究提取其他生理信号(如心电、呼吸作用、脑电等)的小波包系数熵结合表面肌电信号的小波包系数熵一起同时来识别joy、anger、sadness、pleasure四种情感状态。