梁明晶，王 璐，温 昕，曹 锐

太原理工大学 软件学院，山西 晋中 030600

情绪识别是人脑高级认知功能之一。作为一个跨学科领域，情绪识别的研究得益于心理学、现代神经科学、认知科学和计算机科学的发展[1]。现阶段，基于脑电图（electroencephalogram，EEG）的情绪识别正成为该领域的研究热点。相比于其他无创探测脑结构、功能成像或信号技术，EEG具有很高的时间分辨率，从大脑皮层、情绪理论到脑机接口应用的研究都表明使用EEG进行情绪识别是非常可行的[2-4]。

在传统的基于EEG的情绪识别方法中，不同频段的EEG功率谱密度（power spectral density，PSD）是情绪识别中最为常用的统计特征[5-7]。而近年来研究表明，微分熵（differential entropy，DE）是反映情绪变化更稳定和准确的EEG特征[8-9]。例如，Pan等人[5]提取DEAP数据集全频段的PSD和DE特征，由SVM分类器获得的LV/HV情绪的分类的平均精度和标准偏差分别为69.04%/5.91%和77.17%/6.37%；刘双[10]基于触觉和EEG融合的情感研究中，在不同频段上使用DE特征的分类准确率优于PSD和小波熵，在γ频段无触觉和有触觉状态下分别达到70.89%和75.23%。

由于很多研究人员认识到人体是一个非线性系统，由人体自发产生的EEG是一种非线性信号，从而将熵引入到基于EEG的情绪识别研究中，特别是样本熵（sample entropy，SampEn）在情绪识别任务中得到较多应用。Xiang等人[11]在DEAP数据集上基于SampEn对情感进行分类，在愉悦度和唤醒度准确率分别为80.43%和79.11%；苏建新[12]使用SampEn对压力状态和平静状态进行情绪分类，分类准确率为77.8%。

但情绪活动涉及脑区间的交互和信息传递，研究人员尝试将脑功能连接特征引入情绪识别研究中。……