1.基于生成对抗域自适应的跨被试EEG疲劳状态分类方法，其特征在于使用独立成分分析及带通滤波对EEG数据集进行预处理；其次通过功率谱密度方法对预处理后的EEG数据集进行EEG特征提取，获得二维特征样本集；然后对二维特征样本集进行划分，获得初始源域数据集及初始目标域数据集；用结合生成对抗网络的域自适应模型GDANN作为分类器，实现跨被试下的疲劳、清醒两种状态的有效区分。

2.根据权利要求1所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法，其特征在于具体实现步骤如下：步骤S1.数据获取：通过搭建模拟平台采集被试信号打标签；

步骤S2.数据处理：包括预处理、特征提取和数据集划；

步骤S3.神经网络GDANN模型的构建与训练：初始化神经网络GDANN模型的网络参数；训练神经网络GDANN模型中目标域数据判别器Ntd和目标域数据生成器Ntg；获得实际源域数据集中被试驾驶员数目Ns，更新实际源域数据集；用假数据更新目标域；迭代训练特征提取器Nf，、标签分类器Ny、域判别器Nd直至反馈训练达到全局最优；

步骤S4.用混淆矩阵来评估结果。

3.根据权利要求2所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法，其特征在于步骤1具体实现步骤如下：S1-1：搭建模拟平台；

搭建模拟驾驶平台，设计模拟驾驶实验，还原驾驶过程场景；同时选取N名被试驾驶员，并让N名被试驾驶员分别进行不同驾驶难度的模拟驾驶实验，其中N是不小于2的整数；通过设置不同的刺激率来设计TAV驾驶任务的五个级别TAV1-TAV5，用不同级别的工作量需求来反应驾驶员的整体精神疲劳状态，最后进行使驾驶员昏昏欲睡的实验任务，即DROW级别；

S1-2：采集被试信号打标签；

获得这N名被试驾驶员在模拟驾驶实验中的不同难度阶段下的信号，其中，TAV3状态和DROW状态下采集到的脑电数据差异最明显，于是给TAV3状态下获取到的脑电数据打上“清醒”的标签，标记为1；给DROW状态下获取到的脑电数据打上“疲劳”的标签，标记为0；获得设置有标签的原始脑电信号I1i，原始脑电信号I1i包括脑电信号X及标签Y，其中i表示第i个被试驾驶员对应的原始脑电信号，且i∈[1，N]。

4.根据权利要求3所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法，其特征在于步骤2具体实现步骤如下：S2-1：预处理；

对采集到的原始脑电信号I1i进行预处理操作，包括独立成分分析和带通滤波，获得预处理后脑电信号I2_1i，其中i表示第i个被试驾驶员驾对应的脑电信号I2_1i，且i∈[1，N]；

S2-2：特征提取；

通过PSD对数据进行特征提取，从三维的脑电信号I2_1i中提取出二维特征样本集，获得特征提取后的脑电信号I2_2i，其中i表示第i个被试驾驶员驾对应的脑电信号I2_2i，且i∈[1，N]；

S2-3：数据集划分；

将二维特征样本集划分为初始源域数据集及初始目标域数据集；选择一个被试驾驶员的数据作为初始目标域数据集I2T，包含{Xt,Yt},其二维特征样本数量为nt；剩下的N-1个被试驾驶员的数据整合为初始源域数据集I2S，包含{Xs,Ys}，其二维特征样本数量为ns。

5.根据权利要求4所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法，其特征在于步骤3需要设定神经网络GDANN模型中的参数，包括：

1)设定比例因子λ，用于从初始目标域数据集I2T的无标签样本集Xt中选择占比例为λ的无标签辅助数据样本λXt来辅助训练，λ∈(0,1)；

2)设定表示模型训练的实际源域数据集中被试驾驶员数目Ns，用来精简初始源域数据集I2S，从初始源域的N-1个被试驾驶员中选择最佳的Ns个被试驾驶员数据作为实际源域数据集，来进行后续训练，Ns∈[1,N-1]。

6.根据权利要求5所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法，其特征在于步骤3具体实现步骤如下：

3-1：初始化

神经网络GDANN模型包括目标域数据判别器Ntd，目标域数据生成器Ntg，域判别器Nd，特征提取器Nf和标签分类器Ny；将目标域数据判别器Ntd、目标域数据生成器Ntg、域判别器Nd、特征提取器Nf和标签分类器Ny这五个网络的参数μ进行初始化操作；

S3-2：训练目标域数据判别器Ntd和目标域数据生成器Ntg；

用符合高斯分布的随机噪音z和无标签辅助数据样本λXt来训练生成对抗网络的目标域数据判别器Ntd和目标域数据生成器Ntg，使之收敛，达到平衡；

S3-3：获得实际源域数据集中被试驾驶员数目Ns，更新实际源域数据集；

将包含N-1个被试驾驶员数据的初始源域数据集中的无标签数据样本Xs通过步骤S3-1训练完成的目标域数据判别器Ntd，从而筛选获得与目标域数据集I2T中无标签样本集Xt空间分布最相近的前Ns个被试被试驾驶员，用这NS个被试驾驶员所对应的脑电信号Xs及标签Ys组成新的实际源域数据集I3S，更新(Xs，Ys)及二维特征样本数量ns；

S3-4：假数据更新目标域

将大量的随机噪音z通过步骤S3-1训练完成的目标域数据生成器Ntg，生成模拟目标域空间分布的假数据Xt-fake，用Xt-fake和无标签辅助数据样本λXt组成用于后续训练的无标签目标域数据集I3T，并且，使I3T在数量上与实际源域数据集I3S相等，如公式(7)所示；

Length(I3T)＝＝ns，I3T＝{Xt-fake∪λXt}#(7)S3-5：训练特征提取器Nf，获得特征信息

将无标签目标域数据集I3T和实际源域数据集I3S通过特征提取器Nf，分别获得特征信息FT和FS；

S3-6：训练标签分类器Ny，判断预测状态

将特征信息FS通过标签分类器Ny获得预测状态 将预测状态 和实际源域数据集I3S中样本对应标签YS进行空间距离比较；

S3-7：训练域判别器Nd，使无标签目标域数据集I3T和实际源域数据集I3S对齐将特征信息FT标记为1，特征信息FS标记为0，然后通过数据{(FT，1)∪(FS，0)}训练域判别器Nd；

S3-8：跳转步骤S3-5，直至反馈训练达到全局最优。

7.根据权利要求6所述的基于生成对抗域自适应的跨被试EEG疲劳状态分类方法，其特征在于步骤4具体实现步骤如下：S4-1：获得预测结果

将初始目标域数据集I2T的无标签样本集Xt通过训练好的特征提取器Nf获得特征信息，再将特征信息通过标签分类器Ny获得对疲劳状态的预测S4-2：用混淆矩阵对预测结果进行评估

将步骤S4-1获得的预测状态 和初始目标域数据集I2T中标签显示的真实状态Yt用混淆矩阵进行对比，评估其性能。