Cet article propose un nouveau cadre d'apprentissage par paires avec prototypes de domaine et de catégorie (PL-DCP) pour la reconnaissance des émotions dans les interfaces cerveau-ordinateur affectives (aBCI) basées sur l'EEG. Pour remédier aux faiblesses inhérentes aux méthodes existantes de reconnaissance des émotions basées sur l'apprentissage par transfert profond, qui souffrent de doubles dépendances aux domaines source et cible et de bruit d'étiquetage, PL-DCP intègre les concepts de démêlage des caractéristiques et d'inférence de prototype. Le module de démêlage des caractéristiques extrait et sépare les caractéristiques de domaine et de classe pour calculer des représentations de prototypes duales (prototypes de domaine et de classe). Les prototypes de domaine capturent les variations interindividuelles, tandis que les prototypes de classe capturent les points communs entre les catégories d'affect. La stratégie d'apprentissage par paires atténue les effets des erreurs d'étiquetage. Les résultats expérimentaux sur les ensembles de données SEED, SEED-IV et SEED-V montrent que PL-DCP atteint des précisions de 82,88 %, 65,15 % et 61,29 %, respectivement, surpassant les méthodes de pointe existantes (SOTA). En particulier, il surpasse les méthodes d’apprentissage par transfert profond qui nécessitent à la fois des données source et cible, sans utiliser de données de domaine cible pendant le processus d’apprentissage.
