基于课程学习和多源域适应的跨个体EEG情感识别方法

本发明公开了一种基于课程学习和多源域适应的跨个体EEG情感识别方法，该方法通过构建多模态特征提取网络，集成时序、频域与脑网络连通性等特征提取模块，以充分挖掘并融合多维度的情绪相关信息。针对跨被试情感识别中个体差异大、数据分布不一致等挑战，本发明引入多源域适应机制，通过对源域与目标域特征分布进行有效对齐，提升模型在目标域上的判别能力与迁移性能。此外，为缓解模型在训练初期因困难样本引发的收敛不稳定及局部最优问题，本发明引入课程学习策略，按照样本难度由浅入深地引导目标域数据参与训练，从而显著增强模型的收敛性、泛化能力与鲁棒性，最终有效提升跨被试EEG情感识别的整体性能。