Bài báo này đề xuất một khuôn khổ học tập theo cặp mới với các nguyên mẫu miền và phạm trù (PL-DCP) để nhận dạng cảm xúc trong các giao diện não-máy tính tình cảm dựa trên EEG (aBCI). Để giải quyết những điểm yếu cố hữu của các phương pháp nhận dạng cảm xúc dựa trên học chuyển giao sâu hiện có, vốn bị phụ thuộc kép vào miền nguồn và miền đích cũng như nhiễu nhãn, PL-DCP tích hợp các khái niệm về gỡ rối đặc điểm và suy luận nguyên mẫu. Mô-đun gỡ rối đặc điểm trích xuất và tách các đặc điểm miền và lớp để tính toán các biểu diễn nguyên mẫu kép (nguyên mẫu miền và lớp). Nguyên mẫu miền nắm bắt sự khác biệt giữa các cá thể, trong khi nguyên mẫu lớp nắm bắt những điểm chung giữa các phạm trù cảm xúc. Chiến lược học tập theo cặp làm giảm thiểu tác động của việc dán nhãn sai. Kết quả thử nghiệm trên các tập dữ liệu SEED, SEED-IV và SEED-V cho thấy PL-DCP đạt độ chính xác lần lượt là 82,88%, 65,15% và 61,29%, vượt trội hơn các phương pháp tiên tiến hiện có (SOTA). Đặc biệt, nó vượt trội hơn các phương pháp học chuyển giao sâu yêu cầu cả dữ liệu nguồn và dữ liệu đích, trong khi không sử dụng bất kỳ dữ liệu miền đích nào trong quá trình học.
