Las emociones humanas son un fenómeno psicológico complejo que refleja el estado fisiológico y psicológico actual del individuo. Las emociones tienen un impacto significativo en el comportamiento, la cognición, la comunicación y la toma de decisiones en los seres humanos. Sin embargo, los métodos actuales de reconocimiento de emociones a menudo presentan problemas de rendimiento deficiente y limitada escalabilidad en aplicaciones prácticas. Por esta razón, proponemos un nuevo marco de reconocimiento de emociones cerebrales VG-DOCoT, basado en una estructura de convolución con sobreparametrización profunda (DO-Conv), transformadores y un codificador generativo-red adversaria variable (VAE-GAN). Específicamente, en el preprocesamiento se puede extraer la entropía diferencial (DE) de las señales de EEG para reflejar información temporal, espacial y de frecuencia. Para enriquecer los datos de entrenamiento, se utiliza VAE-GAN para aumentar los datos. Se utiliza un nuevo módulo de convolución DO-Conv en lugar de las capas de convolución tradicionales para mejorar el rendimiento de la red. Se introduce una estructura de transformador en el marco de red para revelar la dependencia global en las señales de EEG. Utilizando el modelo propuesto, se realizó una simulación de tarea de clasificación binaria en el conjunto de datos DEAP, donde las tasas de precisión de vigilia y valencia alcanzaron el 92,52% y el 92,27% respectivamente. Además, se realizó una prueba de tarea de clasificación ternaria en el conjunto de datos SEED, que incluye emociones neutrales, positivas y negativas, y se obtuvo una precisión de predicción promedio del 93,77%. El método propuesto mejora significativamente la precisión del reconocimiento de emociones a través de EEG.

Reconocimiento de emociones; electroencefalograma (EEG); convolución con sobreparametrización profunda (DO-Conv); transformador; codificador generativo-red adversaria variable (VAE-GAN)