摘要：随着脑电图（EEG）测量人脑的实时电子学的能力（EEG），所有人都知道，信号处理技术，尤其是深度学习，可以为学习提供新颖的解决方案，也可以优化从EEG信号中优化鲁棒表示。考虑到有限的数据收集和受试者测试期间的浓度不足，必须使用脑库界面（BCI）系统的潜在最终用户获得足够的训练数据和有用的功能。在本文中，我们将一个条件变分的自动编码器网络（CVAE）与生成的对抗网络（GAN）结合在一起，用于从EEG脑信号中学习潜在表示。通过更新馈送到产生的生成模型中的细胞调整参数，我们可以在特定类别下合成脑电图信号。我们采用了一个编码器网络来获得脑电图信号的分布式样本，并应用了一种对抗性学习机制来连续优化发生器，歧视器和分类器的参数。采用CVAE以更大的近似于实际样本类的调整。最后，我们证明了我们的方法具有统计和功能匹配的优势，以使训练过程更快，更稳定，并通过数据增强来解决深度学习应用程序中小规模数据集的问题。我们提出的CVAE-GAN方法生产的增强培训数据集显着增强了MI-EEG识别的性能。