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。

图1 Lange情绪分类模型[a1]

而采集是通过脑电图仪是放大百万倍的微伏级精密电子设备，由于导联数较多，而且为了观察脑电场分布的对称情况和瞬时变化，一般要求进行同步记录，因此必须有多通道的放大器和记录器同时工作，在认知研究中一般使用32、64、96、128导程的等脑电图机。EEG 信号的采集主要有两种方法:介入式采集和非介入式采集． 介入式采集须将电极植入脑皮层 下，非介入式 EEG 信号的采集通过将电极贴附在头皮上直接获得。

采集到的脑电信号非常微弱，容易受到外部影响，所以掺杂了许多非脑电信号的成分，常见干扰分为:眼动( EOG) 干扰、心电( ECG) 干扰、肌电( EMG) 干扰、工频 ( Line) 干扰、高频噪声干扰等，称为伪迹。预处理就是去除这些严重干扰成分。一般预处理的方法有线性滤波法，主分量分析，独立分量分析，小波变化和线性组合与回归方法。

接下来是进行脑电信号的特征提取，常见的脑电特征主要分为3 类: 时域 特征、频域特征和时-频特征。时域特征直观易获取，典型应用有事件相关电位分析法。频域包括功率谱，功率谱密度，能量等特征。提取时-频特征的常见方法，主要有短时傅里叶变换和小波变换等，除了常用特征的还有熵，分形维数和自定义特征。常见的分类器有支持向量机、神经网络、决策树、贝叶斯网络、 K 近邻以及隐马尔科夫模型等。其中支持向量机（SVM）是目前发展最完善和应用最广泛的分类技术了，它的核心思想是将在低维上不可分的数据集映射到高维空间上，找出不同类别间使边缘最大化的超平面，从而反过来实现对低维空间上样本的分类；关键在于选择核函数，采用不同的核函数将导致不同的SVM算法。 而蒋小梅等研究所使用的J48决策树分类器是一种基于信息论的监督学习方法，以信息增益率为分类衡量标准，在对多类进行分类时具有分类规则简单、分类速度快、准确率高等优点。大量资料显示支持向量机（SVM）监督学习方法以其有效性和高准确度比其他算法更为优选。