摘要 - 使用电解图（EEG）对情绪的检测是脑部计算机内部的关键领域，并且在诸如Reha-Bilitation和Medicine等领域具有宝贵的应用。在这项研究中，我们采用了转移学习来克服基于EEG的情绪检测中数据可用性有限的挑战。本研究中使用的基本模型是RESNET50。此外，我们在基于EEG的情绪检测中采用了一种新颖的功能组合。该模型的输入是图像矩阵的形式，该图像矩阵分别包含平均相位相干性（MPC）和宏观平方相干性（MSC），分别包括三角形和下三角矩阵。我们通过将从差分熵（DE）获得的特征纳入对角线来进一步提高了技术，该特征以前几乎没有对情绪进行分类的信息。这项研究中使用的数据集，种子脑电图（62通道脑电图），包括三个类（正，中性和负）。我们计算了与受试者无关和主体依赖性的能力。使用10倍的交叉验证方法获得了受试者依赖性的精度，为93.1％，而独立于主题的分类是通过采用遗留对象 - 受试者（LOSO）策略来进行的。与受试者无关的分类中所具有的准确性为71.6％。这两个精度至少是分类3类的机会准确性的两倍。研究发现，在基于EEG的情绪检测中使用MSC和MPC进行了情绪分类。这项工作的未来范围包括使用数据增强技术，增强的分类器以及更好的情感分类功能。索引项 - 脑计算机界面，情绪检测，转移学习，脑电图，平均相干性，幅度平方相干性，种子EEG