1、腦電信號作為與大腦活動聯(lián)系最為直接的生理信號而成為了情感研究領域與人機交互領域的熱門課題。現(xiàn)代的人機交互系統(tǒng)大部分都不能有效地識別人類的情感狀態(tài)并驅動機器來執(zhí)行正確的動作。情感腦電信號研究的目的就是在進行人機交互的過程中更為準確、及時地檢測特定的情感狀態(tài)并實現(xiàn)相應的有價值的應用。
　　腦電數(shù)據(jù)的分析方法主要有時域分析法、頻域分析法、時頻分析法及非線性動力學的分析方法，其中時頻分析方法由于提供了時間域與頻率域的聯(lián)合分布信息而成為分析

2、時變非平穩(wěn)信號的有力工具。時頻分析法中的希爾伯特-黃變換(Hilbert-Huang Transform，簡稱HHT)和小波包變換具有獨特的魅力，得到廣泛應用。為了提高情感腦電識別的準確率，本文以Sander Koelstra等人提供的一個公開的多模態(tài)情感數(shù)據(jù)集DEAP為研究對象，首先研究了情感腦電特征的歸一化方式，然后提出了一種方差貢獻率與F-score結合的特征選擇方法，最后利用希爾伯特-黃變換、小波包變換提取腦電特征進行愉悅度的識

3、別，并對這些特征的提取時間和分類準確率進行了比較。本文主要工作如下:
　　(1)針對多被試情感腦電數(shù)據(jù)存在被試間特征值差異較大的問題，采用6種歸一化方法，對所有被試的特征、單個被試的所有特征、單個被試的單種特征這三類單次歸一化的數(shù)據(jù)范圍進行了準確率上的比較，驗證了單個被試的單種特征更適于作為多被試情感腦電數(shù)據(jù)單次歸一化數(shù)據(jù)范圍。
　　(2)針對小波包分解樹結點能量作為特征時特征數(shù)量較多的問題，提出了一種方差貢獻率與F-sco

4、re結合的特征選擇方法，在不明顯降低準確率的情況下，減少了特征數(shù)量。
　　(3)考慮到希爾伯特-黃變換與小波包變換作為時頻分析方法，更適用于分析非線性非平穩(wěn)的腦電信號，本文在DEAP情感腦電數(shù)據(jù)集上用希爾伯特-黃變換與小波包變換提取出多個特征進行愉悅度的識別，并比較其特征提取時間及分類準確率。結果表明，利用小波包分解提取特征所需時間比希爾伯特-黃變換短。在使用方差貢獻率與F-score結合的特征選擇方法適量降低特征數(shù)量的情況下，I