摘要 - 基于脑电（EEG）的情感计算结果中的数据稀缺问题在构建具有机器学习算法（尤其是深度学习模型）的有效模型的有效模型中很困难。数据增强最近已实现了深度学习模型的大量性能改善 - 精确度，稳定性和减少过度填充。在本文中，我们提供了一个新颖的数据增强框架，即基于基于网络的对抗性网络的自我监督数据增强（Ganser）。是将对抗性训练与自我监督的学习相结合的第一个，以供基于脑电图的情绪识别，该拟议的框架可以生成高质量和高多样性模拟的脑电图样本。特别是，我们利用对抗训练来学习脑电图发生器，并迫使生成的脑电图信号近似实际样品的分布，从而确保增强样品的质量。使用转换函数来掩盖EEG信号的部分，并迫使发电机根据其余部分合成潜在的EEG信号，以生成各种样品。引入了转换过程中的掩蔽可能性作为先验知识，以指导为模拟的EEG信号提取可区分特征，并将分类器推广到增强样品空间。最后，广泛的实验证明了我们提出的方法可以帮助情绪识别绩效增长并实现状态结果。索引术语 - 基于EEG的情绪识别，数据库，生成对抗网络