针对基于生理信号的情感识别问题，采用具有模拟退火机制的遗传算法、最大最小蚁群算法和粒子群算法来 进行特征选择，用Ｆｉｓｈｅｒ分类器对高兴、惊奇、厌恶、悲伤、愤怒和恐惧６种情感进行分类，获得了较高的识别率，并找出了对情感识别系统模型的构建具有较好性能的特征组合，建立了对６类情感具有预测能力的识别系统。

针对生理信号的情感识别问题,采用进化策略方法对生理信号进行特征选择,利用智能优化算法的计算复杂度低和收敛速度快等特点,并结合使用近邻法进行分类,有效地解决了生理信号特征组合优化问题,筛选出一定的特征子集来表示相应的人类情感状态.实验仿真表明,该方法可以得到有效的特征组合来进行生理信号的情感状态识别.

对基于生理信号的情感识别问题,采用具有模拟退火机制的遗传算法、最大最小蚁群算法和粒子群算法来进行特征选择,用Fisher分类器对高兴、惊奇、厌恶、悲伤、愤怒和恐惧6种情感进行分类,获得了较高的识别率,并找出了对情感识别系统模型的构建具有较好性能的特征组合,建立了对6类情感具有预测能力的识别系统

让计算机具有识别情感的能力是情感智能的主要标志和实现高级别人机交互的重要前提，其中通过记录和分析生理信号来识别情感状态已经成为情感计算和人机交互研究领域中的热点。针对多生理信号情感识别过程中的特征冗余以及在大样本数据下传统特征降维算法效率普遍不高的现状，提出了结合模拟退火和粒子群算法的混合智能优化算法（SA-PSO）来解决情感特征选择的问题，并结合带权重的离散KNN分类算法（WD-KNN），充分利用情感样本信息进行特征分类。通过对实验仿真数据的分析和与其他方法识别结果的比对，提高了识别率和效率，