هدف اصلی در این پژوهش، کلاس بندی حالات احساسی افراد با استفاده از سیگنال های مغزی و فیزیولوژیکی محیطی و کاهش ابعاد فضای ویژگی، به کمک استخراج کانال ها و ویژگی های بهینه با استفاده از الگوریتم ژنتیک به منظور کاهش زمان آموزش شبکه می باشد. داده های مورد استفاده در این پژوهش از مجموعه داده ها برای آنالیز احساسات با استفاده از سیگنال های فیزیولوژیکی و سمعی بصری (deap) گرفته شده است، ویژگی های مرتبط با حالات احساسی انگیختگی، ظرفیت و میل در حوزه زمان و فرکانس از سیگنال ها استخراج شدند، سیگنال های مغزی و فیزیواوژیکی محیطی به طور مجزا و در ترکیب با هم مورد بررسی و آزمایش قرار گرفت. ساختارهای طبقه بندی شبکه عصبی پرسپترون با دو لایه پنهان و ماشین بردار پشتیبان (svm) و روش اعتبار سنجی k_fold سیگنال های مغزی و محیطی و ترکیب این سیگنال ها با یکدیگر در کلاس بندی مورد مقاسه قرار گرفتند، و در نهایت با استفاده از الکوریتم ژنتیک کانال ها و ویژگی های موثر از دو سیگنال مغزی و فیزیولوژیکی محیطی استخراج شدند. در نهایت برای حالت احساسی انگیختگی نرخ صحت 7926/0 و انحراف معیار 052/0 ، حالت ظرفیت 7527/0 و انحراف معیار 022/0 و برای حالت میل 7604/0 و انحراف معیار 040/0 با استفاده از ماشین بردار تکیه گاه که از پردازش سیگنال های محیطی بود، بدست آمد. در نهایت می توان گفت که استفاده از کانال ها و ویژگی های موثر در سیگنال های فیزیولوژیکی محیطی و همچنین استفاده از کلاس بندی کننده ماشین برادار پشتیبان برای سه حالت احساسی انگیختگی، ظرفیت و میل منجر به بهترین پاسخ شده است.