1.迁移半监督宽度学习的脑电信号分类方法，其特征在于：该方法包括以下主要步骤：l u

步骤(1)、将脑电数据集分为训练样本 Y＝[Y ,Y]，辅助样本 X和Xf表示训练样本和辅助样本，Y和Yf表示样本和辅l u

助样本标签；Y表示有标签样本的标签，Y表示无标签样本标签，初始默认为全0向量；l表示有标签样本数，u表示无标签样本数，t表示辅助样本数，D表示样本维数，C0表示标签类别数；

在样本集中，有9位受试者的4分类运动想象脑电数据，5个受试者的2分类运动想象脑电数据，3个受试者的2分类运动想象脑电数据；4分类运动想象脑电数据和2分类运动想象脑电数据训练样本中有标签和无标签样本的比例分别为1:9；

假定辅助样本为源域，无标签样本为目标域，对源域和目标域使用联合分布自适应方法，首先使用最大均值差异MMD来最小化源域和目标域的最大均值差异，MMD距离为：T

其中，A是变换矩阵，A是A的转置矩阵； 分别是源域和目标域样本，在引入核方法后公式(1)简化为：其中，Xst是源域和目标域合并的数据，M0是MMD的矩阵；

步骤(2)、使用MMD适配源域和目标域的条件概率分布，类与类之间的MMD距离表示为：其中，tc,uc分别是源域和目标域中来自第c类的样本个数，同边缘适配一致，使用核方法得到公式(4)：(c) (c)

其中，Mc是MMD矩阵，tr(·)表示矩阵的迹，Ds ,Dt 分别表示第c类的源域数据集和目标域数据集；

步骤(3)、对联合分布自适应方法处理后的无标签样本和有标签样本送入流形正则BLS分类器进行迁移半监督宽度学习分类器的训练，得到TSS‑BLS模型；

具体是：将X通过线性映射函数生成特征向量Zi：Zi＝φi(XWi+βi),i∈Nw                 (5)其中，Wi是随机权值矩阵，βi是随机偏差，Nw为特征向量数目，φ(·)为激活函数；进而增强层可以表示为：其中， Wj为随机权值矩阵，βj为随机偏差，Mw为增强特征向量数目，φ(·)为一激活函数；

将流形正则项加入到宽度学习中，使之利用无标签样本信息，同时将迁移后得到的伪标签加入到流形正则项中，得到了迁移半监督宽度学习的目标函数：T T

其中，dis＝AXstMcXstA， 是正则项，Ftbls＝AtblsWtbls， Wtbls表示l u随机权值矩阵； 是样本标签，其中前l为有标签样本的标签Y ，剩下的是伪标签Y ；θ,λ0分别是两个设定参数；L是拉普拉斯矩阵，可由式(8)和对角矩阵D求得：L＝D‑Ww；H是一个中心T矩阵，H＝It+u‑1/(t+u)11；

其中，Ww是由wij构成，D是一个对角矩阵且每个对角元素为di＝∑jwij；It+u表示单位矩T阵，11表示1向量和其转置；

步骤(4)、对A和Wtbls进行求解，其求解如下所示：当固定Wtbls求解A时，目标函数变为：

该式可由拉格朗日法求解，最后变成：

其中Θ是拉格朗日乘子，由此可求解得到A且得到无标签样本的伪标签；

当固定A求解Wtbls时，目标函数变为：

将Ftbls＝AtblsWtbls代式(11)后用梯度下降法并将方程置0求解；

其中 是特征节点和增强节点个数和的单位矩阵；当样本个数小于节点数时，会产生无穷多个解；于是，在用梯度下降法对公式(11)进行求解后，在其两边同时乘T ‑1(AtblsAtbls) Atbls，可得：步骤(5)、当训练好TSS‑BLS模型后，将所有无标签测试样本送入分类器进行测试，获得输出向量值，依据向量中对应类别值最大的类别序号确定测试的类别。