1.一种基于自训练最大化分类器差异的情绪识别方法，包括：实时获取受试者的脑电图EEG数据，对EEG数据进行预处理，将预处理后的数据输入到基于自训练最大化分类器差异的情绪识别模型中，得到受试者的情绪识别结果；

其特征在于，对基于自训练最大化分类器差异的情绪识别模型进行训练的过程包括：S1：将预处理后的EEG数据分别划分为1s和4s的片段；其中，EEG数据包括已知受试者数据和新受试者数据；

S2：将所有片段分别在5个不同的频带进行滤波处理，得到滤波后的数据；

S3：采用微分熵对滤波后的数据进行特征提取，得到微分熵特征；

S4：将微分熵特征投影成2D平面特征，得到5个2D平面特征；将5个2D平面堆叠到一起，形成一个3D的立方体特征；

S S S S

S5：将已知受试者的立方体特征X 及其情绪标签Y构成源域(X ,Y)，将新受试者的立方T T T T

体特征X及其情绪标签Y构成目标域(X ,Y)；

S6：根据源域对基于自训练最大化分类器差异的情绪识别模型进行第一次训练；

S7：根据目标域对第一次训练好的基于自训练最大化分类器差异的情绪识别模型进行第二次训练；

S8：根据源域和目标域对第二次训练好的基于自训练最大化分类器差异的情绪识别模型进行第三次训练；

其中，基于自训练最大化分类器差异的情绪识别模型包括特征提取器F、分类器C1和分类器C2。

2.根据权利要求1所述的一种基于自训练最大化分类器差异的情绪识别方法，其特征在于，根据源域对基于自训练最大化分类器差异的情绪识别模型进行第一次训练包括：将源域输入到基于自训练最大化分类器差异的情绪识别模型中，得到已知受试者的预测情绪标签；根据已知受试者的预测情绪标签和已知受试者的情绪标签不断调整模型的参数；当第一次训练损失函数最小时，第一次训练完成。

3.根据权利要求2所述的一种基于自训练最大化分类器差异的情绪识别方法，其特征在于，第一次训练损失函数公式为：

S S

其中，L(X ,Y)表示第一次训练损失函数，ns表示已知受试者的数量，lCE表示交叉熵损失函数，F(xi)表示特征生成器生成的特征，C1(F(xi))表示分类器C1的概率输出，C2(F(xi))表示分类器C2的概率输出。

4.根据权利要求1所述的一种基于自训练最大化分类器差异的情绪识别方法，其特征在于，对基于自训练最大化分类器差异的情绪识别模型进行第二次训练包括：根据目标域构建软标签集合，根据软标签集合得到软标签；将目标域中情绪标签替换为软标签，并将替换标签后的目标域输入到基于自训练最大化分类器差异的情绪识别模型中，得到新软标签；根据软标签和新软标签调整模型参数，当损失函数最小时，第二次训练完成。

5.根据权利要求4所述的一种基于自训练最大化分类器差异的情绪识别方法，其特征在于，新软标签表示为：

其中， 表示分类器C1输出的软标签概率分布， 表示分类器C2输出的软标签概率分布，C1(F(xi))表示分类器C1的概率输出，C2(F(xi))表示分类器C2的概率输出。

6.根据权利要求1所述的一种基于自训练最大化分类器差异的情绪识别方法，其特征在于，根据源域和目标域对基于自训练最大化分类器差异的情绪识别模型进行第三次训练包括：将源域和目标域输入到基于自训练最大化分类器差异的情绪识别模型中，固定特征提取器，只训练两个分类器，最小化软标签与新软标签之间的KL散度，当固定特征提取器的损失函数最小时，完成固定特征提取器的训练；固定两个分类器，只训练特征提取器，最小化软标签与新软标签之间的KL散度，当固定两个分类器的损失函数最小时，完成固定两个分类器的训练；根据目标域对基于自训练最大化分类器差异的情绪识别模型进行修正，当修正损失函数最小时，模型训练完成。

7.根据权利要求6所述的一种基于自训练最大化分类器差异的情绪识别方法，其特征在于，固定特征提取器的损失函数公式为：T T

其中，Ldis(X)表示两个分类器对相同特征的分类差异，Lsoft(X)表示新软标签与软标签之间的概率分布差异，nl表示目标域中矫正数据集的大小，nu表示目标域中验证数据集的大小，K表示类别数，F(xi)表示特征生成器生成的特征，C1(F(xi))表示分类器C1的概率输出，C2(F(xi))表示分类器C2的概率输出，C1(F(xi))k表示分类器C1第k类的概率输出，C2(F(xi))k表示表示分类器C2第k类的概率输出；lKL表示KL散度， 表示分类器C1输出的软标签概率分布， 表示分类器C2输出的软标签概率分布。

8.根据权利要求6所述的一种基于自训练最大化分类器差异的情绪识别方法，其特征在于，固定两个分类器的损失函数公式为：T T

其中，Ldis(X)表示两个分类器对相同特征的分类差异，Lsoft(X)表示新软标签与软标签之间的概率分布差异，nl表示目标域中矫正数据集的大小，nu表示目标域中验证数据集的大小，K表示类别数，F(xi)表示特征生成器生成的特征，C1(F(xi))表示分类器C1的概率输出，C2(F(xi))表示分类器C2的概率输出，C1(F(xi))k表示分类器C1第k类的概率输出，C2(F(xi))k表示表示分类器C2第k类的概率输出；lKL表示KL散度， 表示分类器C1输出的软标签概率分布， 表示分类器C2输出的软标签概率分布。