Tabriz大学研究：基于脑电图与机器学习模型实现五类情绪识别

背景：情绪对人类行为和精神健康有重要影响，结合智能设备自适应调整的需求，基于脑电图（EEG）信号的情绪识别研究日益重要。研究目的：Tabriz大学Asl团队旨在通过EEG信号分析，构建一个能自动识别放松、快乐、激励、悲伤和恐惧五种情绪的机器学习模型。方法包括采集23名男性研究生观看情绪诱发视频时的EEG数据，进行预处理、特征提取与选择，并比较了决策树、集成学习等八种分类算法的性能。结论：集成学习模型在五类情绪识别中达到最高准确率95.38%，决策树模型为91.77%。研究证实了集成方法与树模型在EEG情绪识别中的有效性，为情感计算和脑机接口应用提供了技术基础，但未来需通过扩大样本多样性和个性化建模来提升泛化能力。