1.联合特征迁移与图半监督标记传播的脑电情感识别方法，其特征在于：该方法具体包括以下步骤：

步骤1、采集被试者在K种不同情绪状态下的脑电数据；

步骤2、对步骤1采集得到的脑电数据进行预处理和特征提取，每一个样本矩阵X由一个被试者的脑电特征组成，标签向量y为样本矩阵X中脑电特征对应的情感标签；选取两个不同的样本矩阵，分别作为源域数据Xs和目标域数据Xt；

步骤3、构建联合特征迁移学习与状态估计的学习模型，将单映射域适应模型以及基于无向图的半监督标签传播模型整合至一个统一的框架中，得到联合优化的目标函数；

步骤4、首先初始化目标域数据标签Ft，使用神经网络构建得到初始无向图；然后根据步骤3得到的联合优化的目标函数，通过固定两个变量、更新另一个变量的方法，依次对映射矩阵W、目标域数据标签Ft以及无向图关联矩阵S进行优化，多次重复该优化过程，实现联合迭代优化；

步骤5、将步骤2得到样本矩阵X输入到经过步骤4迭代优化后的目标函数中，获得对应的预测值标签，该预测值标签即为样本对应的被试者在采集时刻的情感状态。

2.如权利要求1所述联合特征迁移与图半监督标记传播的脑电情感识别方法，其特征在于：步骤二中以200Hz的频率对采集得到的脑电数据进行采样，然后将采样后的数据通过

1hz～75hz的带通滤波器，滤除噪声和伪影；再分为1‑4Hz、4‑8Hz、8‑14Hz、14‑31Hz和31‑

50Hz五个频段，分别计算每个频段下的微分熵作为样本矩阵X中的脑电特征。

3.如权利要求1所述联合特征迁移与图半监督标记传播的脑电情感识别方法，其特征在于：步骤3具体包括以下步骤：

步骤3.1、建立单映射域适应模型：T T

s.t.WXHXW＝I    (1)其中， 为将源域数据和目标域数据映射到同一个共享子空间中的映射矩阵，p表示目标维度，d表示原始维度； 为增广源域数据标签，Ys为源域标签，c为类别数； 为增广目标域数据标签，ns、nt分别为源域数据和目标域数据的样本数量；n＝ns+nt表示总样本个数；

为对角矩阵，Ns、Nt均为对角矩阵，其中第k个对角元素即为第k类源域或者目标域数据样本数量的倒数，k＝1.2，...，c+1；其中 为中心矩阵，I为单位阵， 表示Frobenius范数的计算；上标T表示转置；

步骤3.2、建立基于无向图的半监督标签传播模型：其中，Sij表示无向图关联矩阵S第i行第j列的元素，即第i个样本和第j个样本之间的关联度；α，γ均为参数； 为拉普拉斯变换矩阵，L＝S‑D，D为n维对角矩阵，第i个对角元素 为用于标签传播的标签矩阵，Fs、Ft分别为源域与目标域的标签；1为全1矩阵；Tr(·)表示矩阵的迹； 表示2范数的计算；

步骤3.3、联合步骤3.1、3.2构建的两个模型，将域适应以及基于无向图的半监督标签传播整合至一个统一的框架中进行联合优化，优化模型为：λ，α，γ均为参数。

4.如权利要求1所述联合特征迁移与图半监督标记传播的脑电情感识别方法，其特征在于：步骤4中将目标域数据标签Ft的值初始化为1/K。

5.如权利要求1所述联合特征迁移与图半监督标记传播的脑电情感识别方法，其特征在于：初始无向图由KNN网络构建。

6.如权利要求1或3所述联合特征迁移与图半监督标记传播的脑电情感识别方法，其特征在于：步骤4中联合迭代优化的具体方法为：步骤4.1、固定目标域数据标签Ft和无向图关联矩阵S，更新映射矩阵W，目标函数为：求解公式(4)，得到更新后的映射矩阵；

步骤4.2、固定映射矩阵W和无向图关联矩阵S，更新目标域数据标签Ft，目标函数为：s.t.F≥0，F1＝1    (5)求解公式(5)，得到更新后的目标域数据标签；

步骤4.3、固定目标域数据标签Ft和映射矩阵W，更新无向图关联矩阵S，目标函数为：求解公式(6)，得到更新后的无向图关联矩阵S；

步骤4.4、多次重复步骤4.1、4.2、4.3，完成映射矩阵W、目标域数据标签Ft以及无向图关联矩阵S的联合迭代优化。

7.如权利要求6所述联合特征迁移与图半监督标记传播的脑电情感识别方法，其特征在于：步骤4.1中，通过拉格朗日函数求解优化映射矩阵W的目标函数。

8.如权利要求6所述联合特征迁移与图半监督标记传播的脑电情感识别方法，其特征在于：步骤4.2、4.3中通过行求解的方法化简优化目标域数据标签Ft和无向图关联矩阵S的目标函数后，再进行求解。