Los métodos tradicionales de aumento de datos de EEG pueden alterar la distribución característica espaciotemporal de las señales eléctricas cerebrales. Este documento propone un nuevo método basado en el Modelo de Mezcla Gaussiana (GMM): Primero, utilizamos el GMM para descomponer muestras de datos de la misma categoría para obtener coeficientes gaussianos y tomamos el producto del coeficiente de probabilidad y la matriz de pesos como la matriz de características. Luego, seleccionamos aleatoriamente dos matrices de características de EEG y determinamos la similitud basándonos en la magnitud de los coeficientes de correlación de sus vectores de columna e intercambiamos columnas que excedan el umbral para obtener una nueva matriz. Finalmente, generamos nuevos datos de acuerdo con la nueva matriz, así como su media y varianza. Los experimentos en conjuntos de datos públicos muestran que este método conserva efectivamente las características espaciotemporales y de distribución de los datos originales. En pruebas de modelos de clasificación, en comparación con los datos originales sin aumento, la precisión de la clasificación se mejora hasta en un 29.84%. Los resultados de visualización t-SNE muestran que los datos generados son más compactos. Este método puede crear una gran cantidad de nuevas señales de EEG similares a los datos originales en términos de características espaciotemporales, mejorar la precisión de la clasificación y mejorar el rendimiento de los sistemas de Interfaz Cerebro-Computadora (BCI).