1.具有异常自动检测的半监督自适应标记回归脑电情感识别方法，其特征在于：包括以下步骤：步骤1、采集多个被测者的情感脑电数据；对采集的脑电数据进行预处理与特征提取，得到带标记样本矩阵Xl及其对应的带标记样本标签矩阵Yl；

步骤2、在与步骤1的采集时间不同的时间段，采集被测者的情感脑电数据；并进行预处理和特征提取，得到无标记样本矩阵Xu；并设定无标记样本标签矩阵Yu的初始值；

步骤3、将异常判定因子向量t，方向矩阵D，标签重标定矩阵R，特征权重矩阵Θ嵌入最小二乘模型，并将模型拓展至半监督框架，得到目标函数；异常判定因子t，使得模型在优化过程中能够自适应发现样本中的异常点，并将其动态删除，从而防止模型向异常数据偏移；

方向矩阵D与标签重标定矩阵R，使得模型可以在优化过程中通过样本类别的估计获取样本标签的重标定位置；方向矩阵D用于控制标签重标定的方向，对于带标记样本，其对应方向矩阵的列di可以由标签直接计算得到；对于无标记样本，其对应方向矩阵的列di通过对标签的估计得到；

3‑1.构建目标函数如下：

其中，ti为异常判定因子向量t中第i个元素，矩阵W＝ΘV；矩阵V为最小二乘的系数矩阵；矩阵Θ为特征权重矩阵，向量xi为样本矩阵X中的第i列，表示第i个样本；向量b为最小二乘中的偏置项；向量yi为标签矩阵Y的第i列，为第i个样本对应标签的one‑hot编码；ri为标签重标定矩阵R的第i列；λ为正则系数；n表示样本总数；约束条件中，k为预设的正常样本数量；

3‑2.固定Yu,t,R，更新矩阵W和向量b；

3‑3.固定Yu,W,b,R，更新异常判定因子向量t；

3‑4.固定Yu,W,b,t，更新标签重标定矩阵R；

3‑5固定t,W,b,R，更新无标记样本标签矩阵Yu；

步骤4、设定正则系数λ和正常样本数量k的值以及目标函数阈值，并将样本矩阵X代入目标函数，对目标函数中的变量W,V,Θ,b,Yu,D,R,t进行联合迭代优化，得到更新后的无标记样本标签矩阵Yu；

步骤5、根据步骤4得到的无标记样本的标签Yu确定被测者在步骤2的脑电采集过程中的情感类别。

2.根据权利要求1所述的异常自动检测的半监督自适应标记回归脑电情感识别方法，‑10 10其特征在于：所述正则系数λ的取值为[2 ,2 ]。

3.根据权利要求1所述的异常自动检测的半监督自适应标记回归脑电情感识别方法，其特征在于：所述正常样本数量k的取值为样本总数的80％‑95％。

4.根据权利要求1所述的异常自动检测的半监督自适应标记回归脑电情感识别方法，其特征在于：在优化过程中，异常判定因子ti的取值是二值化的；当ti为0时，说明当前样本为异常样本，其损失在计算中被舍弃；反之，ti为1时，样本则被判定为正常。

5.根据权利要求1所述的异常自动检测的半监督自适应标记回归脑电情感识别方法，其特征在于：步骤3‑2中，向量b的更新公式为：T

其中，Z＝Y+(2Y‑11)⊙R；T＝diag(t)；

矩阵W的更新公式为：

T ‑1 T

W＝(XKX+λQ) XKZ

其中，函数diag(·)为将向量构造为对角阵； 矩阵I为单位阵；矩阵Q为对角阵，其对角线上第i个元素 d表示脑电特征数量。

6.根据权利要求1所述的异常自动检测的半监督自适应标记回归脑电情感识别方法，其特征在于：步骤3‑3中异常判定因子向量t的获取过程如下：定义eri为第i个样本的损失，其计算公式如下：对所有样本的按照各自的eri进行升序排序，设置eri最小的k个样本对应的异常判定因子ti为1，其余为0。

7.根据权利要求1所述的异常自动检测的半监督自适应标记回归脑电情感识别方法，其特征在于：步骤3‑4中标签重标定矩阵R的获取过程如下：当Yu,W,b,t固定时，目标函数简化为：

T T T

其中，P＝WX+b1‑Y，D＝2Y‑11；

标签重标定矩阵R的优化方式为：

R＝max(P./B,0)

其中./表示两个同型矩阵逐个元素相除。