El alto costo de adquirir datos de entrenamiento en el campo del reconocimiento de emociones basado en electroencefalograma (EEG) es un problema, lo que dificulta establecer un modelo de alta precisión a partir de señales de EEG para tareas de reconocimiento de emociones. Dado el rendimiento sobresaliente de las redes generativas adversariales (GANs) en la ampliación de datos en los últimos años, este artículo propone un método basado en CWGAN impulsado por tareas para generar datos artificiales de alta calidad. Los datos generados se representan como mapas de características de entropía diferencial de datos EEG de varios canales, y se introduce una red de tareas (clasificador de emociones) para guiar al generador durante el entrenamiento adversarial. Los resultados de la evaluación muestran que el método propuesto puede generar datos artificiales con clasificaciones y distribuciones más claras que son más similares a los datos reales, lo que resulta en mejoras evidentes en tareas de reconocimiento de emociones basadas en EEG.