脑电图（EEG）在大脑计算机界面（BCI）领域中起着重要作用，由于其非侵入性，低成本和易用性，因此是公众广泛采用的广泛采用的选择。该技术通常与深度学习技术结合使用，其成功在很大程度上取决于用于培训的数据的质量和数量。为了解决从单个参与者获得足够的脑电图数据的挑战，同时最大程度地减少用户的精度并保持准确性，本研究提出了一种用于数据增强的先进方法：使用Di ai ti usion差异概率模型，生成合成的EEG数据。合成数据是由情绪标记的EEG记录的电极频率分布图（EFDM）生成的。为了评估生成的合成数据的有效性，与实际脑电图数据进行了定性和定量比较。这项研究开辟了一个可以访问和通用的工具箱的开放式源工具箱的可能性，该工具箱可以在时间和频率维度上处理和生成数据，而与所涉及的频道数量无关。最后，提出的方法可以通过实现无隐私问题的大型，公开可用的合成EEG数据集来创建大型，公开可用的合成EEG数据集，从而对更广泛的神经科学研究领域产生潜在影响。