1.基于标签对齐的多源域自适应跨被试EEG认知状态评估方法，其特征在于包括如下步骤：

步骤1：数据获取；

采用的疲劳驾驶脑电数据集中的数据为15名具有较好驾驶经验的健康被试的脑电EEG数据，并且每位被试在试验后填写NASA‑TLX问卷，以提供主观的工作负荷感知；根据NASA‑TLX问卷，选取TAV3和DROWS两种精神状态作为分析；

步骤2：数据预处理；

首先使用带通滤波器消除自发脑电信号以外的高频噪声以及工频干扰等信号，然后使用独立成分分析方法进行处理，最后利用功率谱密度提取EEG信号特征；

步骤3：基于LA‑MSDA模型的跨被试EEG认知状态评估方法；

输入：①带有认知状态标签的多源域样本数据 其中N为源域总数，n为第n个源域， 表示第n个源域的样本， 表示第n个源域样本对应的真实标签；

②不带认知状态标签的目标域样本数据 其中 表示目标域的第i个样本，|UT|为目标域样本的总数；

③最大迭代次数T；

3‑1.通过一个公共的基于EEGNet的特征提取器C‑EEGNetf(·)从多源域和目标域中提取潜在的公共域不变特征，将提取的公共域不变特征映射到一个公共的特征空间；

3‑2.通过N个不共享权重的子网S‑CNNsFn(·)将每对源域和目标域映射到特定的特征空间，提取源域和目标域内的特定特征，分别为 和

3‑3.对于每个S‑CNNs，训练一个特定的分类器Gn，并且对每一个分类器都增加一个分类损失，该损失通过来自多源域的标记样本来学习权重和偏差的理想值，并试图找到最小化损失的方法；

3‑4.通过局部类别最大平均差异法(LLMMD)为每个样本添加权重约束，调整局部子类别的分布；

3‑5.对齐每个域的特定特征分布；

3‑6.对于每个分类器输出的目标样本的预测分布进行对齐，利用来自不同分类器的表示输出来计算差异损失；

3‑7.根据每个分类器的预测概率分布结果设置相似性加权权重约束，两个分类器的差异越小，权重越高；

3‑8.计算总的目标优化函数；

3‑9.重复步骤3‑1至步骤3‑8，直至迭代T次；

输出：目标域样本对应于所有分类器的集成结果的类别标签。

2.根据权利要求1所述的基于标签对齐的多源域自适应跨被试EEG认知状态评估方法，其特征在于步骤3‑2具体实现如下：第n个源域中的第i个样本 获得的域的特定特征为 将其简化表示为目标域中的第i个样 获得的域的特定特征为 将其简化表示为将当前的源域表示为：

其中， 表示当前第n个源域的样本数据，具体如下所示：将当前的目标域表示为：

其中， 表示当前第n个源域对应目标域的样本数据。

3.根据权利要求2所述的基于标签对齐的多源域自适应跨被试EEG认知状态评估方法，其特征在于步骤3‑3的损失计算如下：其中，J为交叉熵损失函数，|Xsn|为第n个源域的样本总数， 为第n个源域的第i个样本的真实标签。

4.根据权利要求3所述的基于标签对齐的多源域自适应跨被试EEG认知状态评估方法，其特征在于步骤3‑4具体实现如下：假设有源域XS和目标域XT，使用xi表示源域XS中的第i个样本，共有n个样本，xj表示目标域XT中的第j个样本，共有m个样本，则其MMD定义如下：其中sup表示上确界， 表示将域的特定特征分布映射到再生核希尔伯特空间(RKHS)的特征映射函数，H为再生核希尔伯特空间，p和q表示域XS和XT的分布，k(xi,xj)为高斯核函数。

5.根据权利要求3所述的基于标签对齐的多源域自适应跨被试EEG认知状态评估方法，其特征在于步骤3‑5具体实现如下：c

对齐每个域的特定特征分布；假设α为样本属于类别标签c的概率，将LLMMD表示为：其中C表示类别标签的总数， 表示第n个源域的第i个样本 被分配至类别标签c的局部类别标签权重， 表示目标域的第i 个样本 被分配至类别标签c的局部类别标签权重。

6.根据权利要求5所述的基于标签对齐的多源域自适应跨被试EEG认知状态评估方法，其特征在于步骤3‑6具体实现如下：对于每个分类器输出的目标样本的预测分布进行对齐，利用来自不同分类器的表示输出来计算差异损失，如下所示：。

7.根据权利要求6所述的基于标签对齐的多源域自适应跨被试EEG认知状态评估方法，其特征在于步骤3‑7具体实现如下：根据每个分类器的预测概率分布结果设置相似性加权权重约束，两个分类器的差异越小，权重越高；第m个分类器的权重 的定义为：其中 表示第n个和第m个分类器之间的差异损失权重；

基于权重约束集成所有分类器，所得全局损失如下：。

8.根据权利要求7所述的基于标签对齐的多源域自适应跨被试EEG认知状态评估方法，其特征在于步骤3‑8总的目标优化函数，定义如下：Ltotal＝Lc+βLlocal+γLglobal#(7)其中β和γ为相对应的权重。