情绪识别已应用于许多领域,例如安全驾驶、医疗保健和社会保障等。通常,情绪识别方法可分为两大类。一种是使用诸如面部表情、语音、手势和姿势等之类的人类物理信号,其具有易于收集的优点并且已经研究了多年。但是,可靠性无法得到保证,因为人们相对容易控制面部表情或语音等物理信号以隐藏其真实情感,尤其是在交流中。另一种是传统的情绪检测方法,通常利用一些传感器进行生理信号的测量,用户体验较差,而且佩戴的传感器等东西,本身就可能影响佩戴者的情绪。因此,聚焦于非接触式的、用户体验良好的情绪识别方式,提出一种新颖的利用连续波声音信号进行情绪识别的方式,解决传统测量不方便等诸多问题。然而,利用连续波信号进行情绪识别是一个极具挑战的课题。论文研究内容和贡献包括:首先,开发一种移动应用程序,该应用程序能够发出预先设计的连续波信号并通过麦克风接收反射的回声。然后,利用波束成形机制来感知用户胸部位移的变化。其次,采用互相关函数的方法消除发射信号与接收信号之间的时间延迟,并生成和解析连续波信号,采用带通滤波的方法去除大部分噪声。并将接收信号下变频为基带信号,进而获取声音信号的振幅,通过下采样得到大致的呼吸波形,完成声音信号向呼吸信号的转换。最后,提出一个新颖的轻量级神经网络,用来对情绪进行特征提取和分类。此外,利用视频作为刺激源收集大量的数据,分别是在冷静、愤怒、恐惧和喜悦情绪下采集的呼吸信号。利用不同人的数据训练两种类型的情感分类器。并对不同场景下的呼吸监测性能和情绪分类性能进行评估,每个场景都得到了较好的精度,可以满足常见的呼吸监测和情绪识别。