将脑电信号作为一种进行情感识别研究的工具，这种观念已经被越来越多的 人们所接受。尽管目标一致，但是在具体的操作中仍有许多不同之处，在本节中我们将会从几个脑电信号常见处理步骤出发，介绍目前利用脑电信号进行情感识 别研究的国内外现状。72734

首先是脑电信号的预处理。由于脑电信号通常较为微弱，容易受到其他信 号的干扰，因此在获取原始的脑电信号之后通常要对其进行预处理来降低噪声 的干扰。

上海交通大学的 Bartels 等人将盲信号分离、独立成分分析和支持向量机 结合在了一起进行去伪迹处理[1]。通过分析每个算法的特性得出了用盲信号 分离中的 Amuse 算法去除眼电，用独立成分分析中的 Infomax 算法去除肌电 的预处理过程并得到了较好的去伪迹结果。

在获取了相对纯净的脑电信号后，还需要对脑电信号进行特征提取的操 作，以便从中找出与情感最相关的特征表现。在基于 EEG 的情感识别研究中， 特征提取是至关重要的一个环节，只有提取出真正与情感相关的特征，才能为 后续的研究提供保证。

常见的脑电特征主要分为三类：时域特征、频域特征和时频特征。

（1） 时域特征 时域特征是几类特征中最直观也是最容易得到的，这种方法往往将去除伪

迹后的脑电信号在时域上的信息直接作为特征或将时域上的信号统计结果作为 特征（如峰值、方差等）。

Moradi 和 Khalili 将脑电时域信号的均值、标准差、偏斜度、峰值、原始 信号首次差异的平均绝对值、归一化后信号的首次差异的平均绝对值等作为脑 电特征[2]。韩国庆北国立大学的 Zhang 和 Lee 将对称电极间在时域上的振幅差 作为脑电特征[3]。 情感识别中时域特征的一个典型应用是事件相关电位分析方法。事件相关电位是 一种特殊的脑诱发电位，通过一定的神经系统的刺激，或允许大脑特定的刺激信 息处理，从而在相应的脑区产生可检测和刺激相对于固定的时间间隔和特定阶段 的生物电响应。对情绪识别进行研究，通常采用不同的情绪色图片或表情图片作 为刺激，再通过分析脑区相关的脑区图像诱发电位来识别不同情绪的使用事件相 关电位。论文网

（2） 频域特征 频域特征是指将原始脑电信号从时域转化到频域，再从中提取出相关频域特

性作为脑电特征。 在提取脑电的频域特征时，很多学者会先将脑电信号映射到上述的这五个

频带上，再分别提取出各个频带对应的频域特征。常见的频域特征有功率谱，

功率谱密度，能量等。这些特征的提取通常是基于功率谱估计。经典功率谱估计 是傅立叶变换在一定时期内数据的基础估计方法，通常采用两种方法：直接法和 间接法，直接法是以功率谱为基础的频率特性的平方的平均值与时间的平方的比 值来计算；间接法是先估计出相关函数，再进行 FFT 变换从而得到所要求的功率 谱估计[4]。在此基础上就可以得到功率谱密度和能量等频域特征。

美国休斯顿大学的 Zouridakis 等人原来的脑电信号被映射到常见的五个 频段，并得到了相应的频带的五个频带。，以此作为脑电特征进行情感识别[5]。 Aftanas 等人利用 FFT 变换将原始脑电信号映射到 theta、alpha 和 beta 频带上 并在功率谱的基础上求出了每个电极的功率谱密度作为脑电特征[6]。

（3） 时频特征 由于脑电信号的不稳定性，简单地考虑时域或频域的特性是不全面的，因

此越来越多的研究开始在时域和频域，识别和反映在时域和频域的脑电特性， 这里我们称之为时频特性。提取时频特征的常见方法主要有短时傅里叶变换， 小波变换等。