情緒在人們的認知、交往等各方面發揮著重要作用，而情緒腦機接口通過分析腦電圖（EEG）可識別內在情緒，以主動或被動的方式反饋情緒信息，有效促進人機交互。本文聚焦于 EEG 信號的情緒識別，使用生理信號情緒數據集（DEAP）系統地比對了主流特征提取算法、分類器模型。通常的隨機取樣方法會造成訓練和測試樣本相關性高，本文采用分塊化 K 交叉驗證評估模型，同時對比了不同時間窗長度下的情緒識別準確率，研究表明 4 s 時間窗為適宜的取樣時長。此外，本文提出了濾波器組長短時記憶網絡（FBLSTM），以微分熵特征作為輸入，所提出的算法模型在情緒的效價度二分類、喚醒度二分類、效價—喚醒平面四分類上的平均分類準確率分別為 78.8%、78.4%、70.3%。相比于目前的研究成果，本文的情緒識別模型具有更優的分類性能，或可為情緒腦機接口中的情緒識別提供一種新的可靠方法。