Les émotions humaines sont un phénomène psychologique complexe qui reflète l'état physiologique et psychologique actuel de l'individu. Les émotions ont un impact significatif sur le comportement, la cognition, la communication et la prise de décision chez les humains. Cependant, les méthodes actuelles de reconnaissance des émotions rencontrent souvent des problèmes de performances médiocres et de limitations d'extensibilité dans des applications pratiques. Pour cette raison, nous proposons un nouveau cadre de reconnaissance des émotions du cerveau VG-DOCoT, basé sur une structure de convolution à paramètres excessifs en profondeur (DO-Conv), des transformateurs et un codeur génératif-réseau antagoniste variable (VAE-GAN). Plus spécifiquement, dans le prétraitement, il est possible d'extraire l'entropie différentielle (DE) des signaux EEG pour refléter les informations temporelles, spatiales et fréquentielles. Pour enrichir les données d'entraînement, le VAE-GAN est utilisé pour augmenter les données. Un nouveau module de convolution DO-Conv est utilisé à la place des couches de convolution traditionnelles pour améliorer les performances du réseau. Une structure de transformateur est introduite dans le cadre du réseau pour révéler la dépendance globale dans les signaux EEG. En utilisant le modèle proposé, une simulation de tâche de classification binaire est effectuée sur l'ensemble de données DEAP, où les taux de précision d'éveil et de valence atteignent respectivement 92,52% et 92,27%. De plus, un test de tâche de classification trinaire est effectué sur l'ensemble de données SEED, comprenant des émotions neutres, positives et négatives, et obtient un taux de précision moyen de 93,77%. La méthode proposée améliore significativement la précision de la reconnaissance des émotions par EEG.

Reconnaissance des émotions ; électroencéphalogramme (EEG) ; convolution à paramètres excessifs en profondeur (DO-Conv) ; transformateur ; codeur génératif-réseau antagoniste variable (VAE-GAN)