Методы глубокого обучения обычно используются для распознавания эмоций по сигналам электроэнцефалографии (ЭЭГ). Однако некоторыми недостатками использования этих классификаторов являются высокие требования к памяти и небольшое количество доступных выборок ЭЭГ в наборах данных. В этой работе предлагается новый подход к увеличению количества извлеченных признаков, основанный на методе матриц совпадения уровней серого (GLCM) с использованием переназначенных изображений спектрограмм. Сигналы ЭЭГ преобразуются с использованием спектрального анализа для построения переназначенных изображений спектрограмм. Различные наборы функций используются для обучения нескольких моделей классификации на основе метода исключения. Техника K-Nearest Neighbor обеспечивает наивысшие результаты точности, 77,40% и 77,30% для классификации примитивных эмоций по валентности и возбуждению. Сравнительные результаты показывают, что предлагаемый подход конкурентоспособен по сравнению с существующими на современном уровне техники.
