【摘 要】基于脑电的情绪状态解码大多将个体情绪看作相对稳定的状态，将脑电频域能量、通道间脑电相关性等稳态指标作为解码中使用的特征。基于近年来网络神经科学在脑区间动态功能连接分析中的新发展，设计并实现了功能连接微状态方法，将不同情绪状态下脑区间的动态功能连接模式聚集为具有代表性的微状态，提取微状态的覆盖比例、转移概率等时间动态过程指标作为特征，用于情绪状态解码。基于经典的脑电情绪公开数据集DEAP，动态功能连接微状态新特征在情绪的效价和唤醒两个维度上实现了均方误差分别为3.87±0.28和3.25±0.30的回归预测效力，优于传统频带能量特征的均方误差4.07±0.30（p=0.005）和3.41±0.31（p=0.064）。实验结果展示了基于脑电功能连接微状态的情绪状态解码可行性，并为进一步深入理解情绪的神经机制提供了启发。
【关键词】 动态功能连接 ; 微状态 ; 情绪状态解码 ; 脑电图
1.引言
情感计算致力于提升机器理解人的情感、对人的情感状态做出响应的能力。近年来，基于语音、文本、表情、动作和生理信号的情感计算方法发展迅速。脑电图（electroencephalography，EEG）作为一种神经生理信号，相比基于表情、语音或动作的情感识别更加客观、难以伪装，因此得到情感计算领域研究者越来越多的关注。
从脑电信号中提取与情绪状态相关的有效特征是脑电情感计算方向当前的研究重点。脑电信号特征提取的主流研究工作主要针对脑电各通道及其相互关系展开。脑电信号各通道的频带能量是较经典的特征之一，例如：顶区和枕区alpha频带（约8～14 Hz）能量与唤醒（arousal）状态高低呈现
