大脑是人体中最复杂的器官,人类对其研究的程度尚浅。脑电信号分类是脑电信号处理与识别系统中的一项关键技术。字典学习因其稀疏表示和学习能力而表现出优异的性能。字典学习通常需要足够多的标记脑电信号来建立分类模型,并假设训练信号和测试信号的数据分布相同。情绪计算研究是模拟人类的心里认知过程,其中情绪分类是一个重要的部分。脑电信号,作为一种能记录大脑活动的电生理学指示器是便携的和非侵入性的。本文以提高脑电信号分类和脑电情绪分类的准确率为目标,开展了以下研究:1.由于在新的脑电信号领域中,往往只有少量的信号被标记,而更多的脑电信号没有被标记。同时,脑电信号的动态性、干扰因素和类间较强的相似性也严重影响了脑电信号的分类性能。为此,本文提出了一种基于脑电信号跨域分类的几何保持迁移判别字典学习方法（geometric preserving transfer discriminative dictionary learning method,GPTDDL）。通过将不同域的信号投影到公共子空间,得到一个共享的判别字典,利用图拉普拉斯正则化和主成分分析正则化来研究几何结构信息。利用源域传递的判别信息,增强了目标域学习稀疏编码的判别能力。这个想法被集成到LC-KSVD算法的框架中,子空间策略和字典学习参数在迭代策略中学习,所有参数都能获得最优解。在波恩脑电数据集上的实验结果证明了所提方法的有效性。2.情绪计算研究是模拟人类的心里认知过程,其中情绪分类是一个重要的部分。根据节律特征,脑电信号通常分为五个不同的频段。大多数机器学习方法将多个频段特征组合成一个单一的特征向量。这种策略不能有效地利用每个频段的互补和一致信息。为了获得用于情绪分类的多频段脑电信号的稀疏一致表示,本文提出一种基于最优投影和共享字典学习的多频段协同分类方法（multi-frequent band collaborative classification method,MBCC）。该方法引入了字典学习的和子空间学习的联合学习模型。MBCC利用投影矩阵将多频段数据映射到相同维度的子空间中,它由一个共享分量和一个特定分量组成。这种方法不仅可以充分利用多个频段的相关信息,而且可以保持频段的一致性。基于字典学习和子空间学习利用Fisher准则和和类主成分分析正则化之间的频段相关性,产生了一个很强的判别模型。MBCC的目标函数通过迭代优化算法来解决。在SEED和DEAP公共数据集上证实了MBCC方法的有效性。