技术特征：
1.一种改进的svm脑电信号情绪识别方法，其特征在于，具体按照以下步骤实施：步骤1、对deap数据库进行预处理；步骤2、提取情绪特征；步骤3、用pso-svm分类器对提取的情绪特征数据进行分类。2.根据权利要求1所述的一种改进的svm脑电信号情绪识别方法，其特征在于，所述步骤1中deap数据库进行预处理包括：对实验数据进行采样和去除噪声，采样频率为128hz。3.根据权利要求2所述的一种改进的svm脑电信号情绪识别方法，其特征在于，所述步骤1中的数据库包含了32个测试对象，其中16名男性和16名女性；分别在大脑的额叶、顶叶、枕叶和颞叶四个区域用32个传感器，采集实验者分别看40段视频时的信号，每个视频时间为60s；对于每个被试对象，有两个数组记录它们脑电图信号及相应情绪状态。4.根据权利要求3所述的一种改进的svm脑电信号情绪识别方法，其特征在于，所述两组数据中，第一个数组的格式为40*32*60，其中含义是40次实验视频、32个脑电信号通道、每次实验60s；另一个数组表示在看音乐视频的时被试对象所对应的四种情绪状态的等级。5.根据权利要求3所述的一种改进的svm脑电信号情绪识别方法，其特征在于，所述四种情绪状态包括：效价，范围1-9；从不快乐或悲伤到快乐或喜悦，一般阈值设为5；唤醒，范围1-9；从平静或无聊到刺激或兴奋；支配性，范围1-9；从顺从或没有控制到支配性或有控制；喜好度，喜欢或不喜欢。6.根据权利要求1所述的一种改进的svm脑电信号情绪识别方法，其特征在于，所述步骤2具体为：步骤2.1、选用母小波daubechies5进行提取；步骤2.2、计算小波变换的系数，公式为：式中，2
j
k和2
j
分别为时间局部化和尺度，而ψ
a.b
为母小波函数，三个特征的计算都使用了dwt系数；步骤2.3、计算相对小波能量，公式为：c
j
(k)表示细节系数，分子表示细节小波能量，分母为总小波能量，概率p
j
是输入数据的时间尺度；步骤2.4、计算相对小波熵，公式为：变量q
j
是参考分布，给出更准确的p
j
值，相对小波熵反应了两种概率之间的相似性；步骤2.5、将信号的时域信息和频域信息组合，公式为：
λ＝c
a.b
·
σ2ꢀꢀꢀꢀꢀ
(4)c
a.b
是相对小波系数，σ2代表标准差，λ为时域信息和频域信息的组合。7.根据权利要求1所述的一种改进的svm脑电信号情绪识别方法，其特征在于，所述步骤3具体为：采用粒子群优化svm算法具体步骤如下步骤3.1、初始化所有粒子，初始化粒子的速度和位置，并且将个体的历史最优pbest设为当前位置，而群体中最优的个体作为当前的gbest；步骤3.2、每一轮的进化中，计算各个粒子的适应度函数值；步骤3.3、如果该粒子当前的适应度函数值优于历史最优值，那么替代历史最优值；步骤3.4、如果该粒子的个体最优优于全局最优值，那么替代全局最优值；步骤3.5、对于每个粒子i的第d维的速度和位置分别按照下面公式(5)(6)进行更新；粒子i的第d维速度更新公式：粒子i的第d维位置更新公式：步骤3.6、判断是否达到最大迭代次数，如果没有继续步骤3.2，否则输出gbest并结束；步骤3.7、用训练好的c和gamma训练svm；步骤3.8、对测试集进行预测，计算分类准确率。8.根据权利要求7所述的一种改进的svm脑电信号情绪识别方法，其特征在于，所述步骤3中三次交叉验证得到的准确率作为目标函数，c和gamma作为约束变量进行优化，初始的种群数位100，最大迭代次数为10次，变量的范围是15-0.001，学习因子和社会因子均为2，权重设置为ω
ini
＝0.9，ω
end
＝0.4。