El electroencefalograma (EEG) puede reflejar objetivamente el estado emocional de los seres humanos y ha atraído mucha atención en los círculos académicos en los últimos años. Sin embargo, debido a sus propiedades débiles, no estacionarias y de baja relación señal-ruido, tiende a causar ruido en los datos de EEG recopilados. Además, las características del EEG extraídas de diferentes bandas de frecuencia y canales suelen mostrar diferentes niveles de habilidades de expresión emocional en tareas de reconocimiento emocional. En este artículo, consideramos completamente las características del EEG y proponemos un nuevo modelo RSRRW (regresión semisupervisada reorientada con pesos robustos). Las ventajas del nuevo modelo se pueden enumerar de la siguiente manera. (1) Se añade un peso de probabilidad a cada muestra para ayudar a buscar de manera efectiva muestras ruidosas en el conjunto de datos y reducir su efecto al mismo tiempo. (2) La distancia entre muestras de diferentes categorías es mucho más amplia que antes al extender el método de arrastre a un paradigma semisupervisado. (3) Descubrir automáticamente el modo de activación emocional del EEG al medir adaptativamente la contribución de las características de las muestras a través de pesos de características. En las tres tareas de reconocimiento emocional entre sesiones, la precisión promedio del modelo RSRRW es del 81.51%, como se puede ver en los resultados experimentales del conjunto de datos SEED-IV. Además, con el apoyo de la prueba de Friedman y la prueba de Nemenyi, la clasificación del modelo RSRRW es mucho más precisa que la de otros modelos.