连卫芳，晁 浩，刘永利

（河南理工大学计算机科学与技术学院，河南焦作 454000）

0 概述

情感是机体内部的主观体验，是综合感觉、思想和行为而产生的心理和生理状态。情感有生理唤醒、主观体验以及外部表现3 种成分，人类情感的早期研究通常利用外部表现，包括对人的面部表情和声音信号进行情感状态识别。近年来的研究结果表明，脑电（Electroencephalographic，EEG）信号所包含的情感相较于语音［1］、表情［2］等更为客观可靠，更能反映一个人最真实的情感状态［3］。因此，有很多研究人员开始利用EEG 信号进行情感识别。

利用EEG 信号进行情感识别时常用的特征有时域特征［4］、频域特征［5］和时频域特征［6］。时域特征主要集中在事件相关电位（Event-Related Potentials，ERPs）的研究中，统计学特征也被用于描述EEG 信号时间序列，主要包括能量特征、幅值特征等。频域特征主要包括功率谱密度（Power Spectral Density，PSD）、自回归（Autoregressive，AR）模型功率谱估计、能量及其不对称性（Asymmetry，ASM）以及快速傅里叶变换等。时频域特征包含基于小波变换、小波包变换、Wigner-Ville 分布、短时傅里叶变换（Short-Time Fourier Transform，STFT）、希尔伯 特-黄 谱（Hilbert-Huang Spectrum，HHS）［7］的特征等。由于EEG 信号具有随时间瞬变的特点，因此只使用时域、频域或时频域特征中的一种将难以取得良好的识别效果。具体而言，使用单一的EEG 特征进行识别时存在2 点不足：一是传统的EEG 特征在低频信号段时表现能力较弱；二是EEG 特征容易受到噪声的干扰。

深度学习能将底层特征提取为抽象的高层特征，可以发现数据的分布式特征表示［8］，同时对高维特征进行自动提取和分类，因此，深度学习适用于EEG 信号分析。……