陈 田，蔡从虎，袁晓辉，罗蓓蓓

（1.合肥工业大学 计算机与信息学院，合肥 230009；2.智能互联系统安徽省实验室，合肥 230009；3.情感计算与先进智能机器安徽省重点实验室，合肥 230009；4.北德克萨斯大学 计算机科学与工程系，丹顿 76207）

0 引言

情感对人类生活生产有巨大意义，随着情感计算技术的不断发展，使用情感计算辅助计算机理解和表达人类情感成为潜在需求［1］。人的生理信号是人在面对不同外部环境时产生的电信号，主要包括脑电（ElectroEncephaloGram，EEG）信号、心电（ElectroCardioGram，ECG）信号、眼动信号等。一方面，这些信号源自生理反应，无法被个体主观掩饰，具有客观性［2］；另一方面，生理信号与情感的产生和表达具有相关性，数据包含大量情感相关信息，也易于采集，因此，基于生理信号的情感识别方法具有很大的研究价值和广泛的应用场景［3-4］。

脑电、心电和眼动等生理信号本身呈现非平稳随机信号的特点，普通的时频域分析能得到的信息量较少，识别结果也存在准确率低、跨个体泛化能力弱的问题。近年来，许多研究使用深度学习方法学习生理信号特征，以增强提升情感识别能力［5-6］。然而，以卷积为代表的深度学习方法存在参数量大、训练成本高的问题，导致方法的实用性低。不同生理信号在个体之间的特征和变化规律存在差异，因此Chen等［7］提出结合多种生理信号进行多模态生理信号的情感识别，以提高跨个体的情感识别能力。基于决策层融合的多模态方法需要构建多个分类器，对不同的信号分别进行处理，这进一步加大了参数规模。……