1.一种基于生成对抗网络数据增强的脑电情感识别方法，其特征在于，包括以下步骤：步骤1：原始脑电信号预处理：

设定脑电样本长度、脑电样本内切片长度和脑电样本切片窗移，对脑电信号进行切片，得到脑电样本切片；对脑电样本切片中的每个导联，分成四个不同波段计算功率谱密度特征，将每个导联计算的所有特征拼接成一维向量；

步骤2：对抗生成模型的搭建与训练：建立GAN生成对抗网络数据增强算法，将经过预处理的脑电信号输入模型进行训练；

步骤3：脑电特征向量处理：对所有样本数据进行z‑score标准化处理，避免由于原始数据中的单位与数值之间的差异带来的影响；将归一化后的特征向量按照脑电信号采集时电极放置的位置信息进行重新排列，并按照频带进行拼接，构建出一个三维脑电特征图；

步骤4：情感分类：利用真实数据和生成的数据组成新的平衡和数据量更大的数据集，将连续卷积神经网络作为脑电情感分类器进行分类；

所述步骤1的具体实现过程如下：选定脑电情感识别长度L，以L/2为窗移进行划分；然后对样本中的每个导联，分别对4个不同波段计算功率谱特征，将计算的所有特征值按照频段顺序组成4*9*9个特征值的一维向量，作为对抗生成网络的输入；

所述步骤2中GAN生成对抗网络模型包括生成器模型G和判别器模型D两个部分；全部由三层神经网络构成，包括神经网络输入层、隐藏层和输出层，这三层神经网络皆由线性层组成，通过线性层变换以及激活函数的非线性变换；所述的GAN生成对抗网络原理为生成器G和判别器D的极大极小值博弈，其目标函数为：其中E表示表示分布函数期望值，x为原始样本数据，z为数据生成器G的噪声数据。

2.根据权利要求1所述的基于生成对抗网络数据增强的脑电情感识别方法，其特征在于，生成器G神经网络和判别器D神经网络中每一个线性层之后都会加一个激活函数，在此算法中引入ReLU激活函数，其公式如下：f(x)＝max(0,x)。

3.根据权利要求2所述的基于生成对抗网络数据增强的脑电情感识别方法，其特征在于，所述步骤2包括以下步骤：步骤2.1：初始化生成器G和判别器D两个神经网络的参数；

步骤2.2：从原始数据中抽取n个样本，以及生成器利用定义的噪声分布生成n个样本，固定生成器G，训练判别器D，从而使判别器区分真假；

步骤2.3：循环迭代训练，判别器D和生成器G互相对抗，理想状态下，最终判别器D无法区分数据是来自于原始数据还是来自于生成器G生成的数据，此时的判别概率为0.5，完成训练。

4.根据权利要求1所述的基于生成对抗网络数据增强的脑电情感识别方法，其特征在于，步骤3的具体实现过程如下：步骤3.1：根据z‑score对所有样本进行标准化处理，其公式如下：其中其中μ为所有样本数据的均值，σ为所有样本数据的标准差；

步骤3.2：将标准化后的特征向量，根据不同频段上各个电极通道的脑电情感特征按照脑电信号采集的位置进行重排，然后按照频带拼接构成三维脑电特征图。

5.根据权利要求1所述的基于生成对抗网络数据增强的脑电情感识别方法，其特征在于，所述的步骤4连续卷积神经网络其所有卷积层是连续堆叠在一起，中间没有连接池化层，仅连接激活函数和批归一化层。