Este artículo propone un nuevo marco de aprendizaje por pares con prototipos de dominio y categoría (PL-DCP) para el reconocimiento de emociones en interfaces cerebro-computadora afectivas basadas en EEG (aBCI). Para abordar las debilidades inherentes de los métodos existentes de reconocimiento de emociones basados en aprendizaje por transferencia profunda, que adolecen de dependencias duales en los dominios de origen y destino, y ruido de etiqueta, PL-DCP integra los conceptos de desenredo de características e inferencia de prototipos. El módulo de desenredo de características extrae y separa las características de dominio y clase para calcular representaciones de prototipos duales (prototipos de dominio y clase). Los prototipos de dominio capturan la variación interindividual, mientras que los prototipos de clase capturan los puntos en común entre las categorías de afecto. La estrategia de aprendizaje por pares mitiga los efectos del etiquetado incorrecto. Los resultados experimentales en los conjuntos de datos SEED, SEED-IV y SEED-V muestran que PL-DCP alcanza precisiones del 82,88 %, 65,15 % y 61,29 %, respectivamente, superando a los métodos de vanguardia (SOTA) existentes. En particular, mostró un mejor desempeño que los métodos de aprendizaje por transferencia profunda que requieren datos tanto de origen como de destino, sin utilizar ningún dato del dominio de destino durante el proceso de aprendizaje.
