情绪识别研究对于理解掌握人体的情绪状态至关重要,目前已在人机交互、远程教育以及医疗保健等领域得到广泛应用。随着情绪相关信号如文本、脑电等采集设备的发展,如何有效提取信号的情绪特征,提高情绪识别准确率是亟须解决的研究问题。本文提出基于文本、脑电和多模态融合的情绪识别研究模型,改进不同场景下的情绪识别方法模型,设计实现基于情绪监测的高血压管理系统。论文工作内容如下:1.针对文本情绪识别词嵌入缺乏句子上下文信息以及模型忽略子句特征等问题,提出基于子句特征的实体属性依赖情感分析方法,通过子句分割和ELMo词嵌入模型实现文本数据预处理,利用Bi LSTM模型结合实体和子句注意力机制实现句子特征提取,采用Softmax层实现句子目标实体情感分类。该模型通过Sem Eval2014 task4数据集验证其有效性,针对Laptop和Resaurant的分类精度分别达74.32%和79.73%。2.针对脑电情绪识别电极相邻通道空间特征丢失问题,提出基于时空核心块的卷积神经网络模型,运用卷积神经网络在特征提取过程中引入时空核心块,同时考虑数据时间维度和电极间空间特征,将时空特征与全连接层连接实现脑电信号的情绪分类。该模型通过DEAP数据集验证有效性,针对Arousal和Valence的分类精度分别达87.56%和88.61%。3.针对多模态融合情绪识别忽略情绪个体表达特异性、不同模态特征融合困难等问题,提出基于双峰深度自动编码器的多模态情绪识别模型,融合脑电、肌电、眼电、皮肤传导率等生理信号和人口统计学的文本数据,分别提取信号的深层抽象特征和统计学特征,整合人口统计学特征输入双峰深度自动编码器实现多模态融合特征提取,最终采用支持向量机实现人体情绪分类。该模型通过DEAP数据集验证有效性,针对Arousal和Valence的分类精度分别达90.21%和91.82%,四分类分类精度达88.20%。4.设计并实现基于情绪监测的高血压管理系统,使用My SQL数据库,基于Spring Boot、Mybatis等框架研发,系统具备高血压患者的数据采集、数据展示、情绪识别、情绪干预、患者管理、统计分析以及系统管理等功能模块,实现高血压患者数据风险实时监测以及情绪管理,可以有效降低患者高血压发病风险。