1. 研究目的与意义（文献综述）

情绪识别包括情绪的诱发、脑电信号的采集、脑电信号的预处理、特征提取、特征选择、情绪模式的学习和分类六个步骤，本次是在研究情绪脑电信号的特征提取和分类算法的基础上，设计一个情绪监测系统，实现基于效价－唤醒度两个维度上四类情绪的监测，实时反馈受试者的情绪状态。

目前最常见的分类方法就是兰格的二维情感分类模型，他用纵坐标来表示人们心情的愉悦程度（又称唤醒度），用横坐标来表示状态的兴奋程度（又称效价），程度都是由低到高，这样不同的情感就可以分解成两个维度映射到坐标系中，如图1。

2. 研究的基本内容与方案

设计的基本内容是利用标准情感数据库，实现情绪脑电信号的特征提取和分类算法，并设计一个情绪监测系统，实现基于效价－唤醒度两个维度上四类情绪的监测，实时反馈受试者的情绪状态。deap数据集是一个基于主要基于脑电信号的可用于做情绪分析的标准情感数据集，首先我向该机构申请获取eeg信号数据集。python和matlab是要用得提取特征和实现算法的工具软件，基于效价—唤醒度的模型将情感分为高效价高唤醒度hahv，halv，lahv，lalv四类。

获取脑电信号的时域和频域特征，再者因为脑电信号是非平稳信号，所以提取时频特征尝试采用短时傅里叶变换。短时傅里叶变换stft是在传统傅里叶变换的基础上加入窗函数，一般为hanming窗，加窗之后的信号被分割为一组短长度子序列，子序列可以近似的看为平稳序列，求出分离得到不同波段（alpha、beta、theta、gamma、deta）的能量特征和功率谱密度特征。使用前面获取的特征，训练并测试分类器。

目前关于分类器的选择比较倾向于决策树，逻辑回归和支持向量机。但机器学习的训练过程非常耗时，目前还是考虑svm。
svm应用核函数的展开定理，无需知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。最后将分类结果与测试者本身判定的自身情感状态相比较，计算情感识别精度，分析结果。拟采用的研究方法流程图如图2。

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第4－5周：熟悉掌握svm原理，特征提取方法。完成有关英文资料的翻译，熟悉unix环境下的python软件。

第6－9周：编程实现各算法，并进行仿真调试。

4. 参考文献（12篇以上）

[1] 成敏敏.基于eeg的情绪信息特征及其分类方法研究[d].南京:东南大学,2016.

[2] 王凤.基于eeg信号后段正电位特征的情绪识别[d].郑州:郑州大学,2017.