本文提出了一种新的四维卷积递归神经网络方法，将多通道脑电信号的频率、空间和时间信息显式地整合在一起，提高基于脑电的情绪识别精度。 首先，为了保持脑电的这三种信息，我们将不同通道的差分熵特征转化为4D结构来训练深度模型。 然后，我们引入了由卷积神经网络(CNN)和带有长短时记忆(LSTM)细胞的递归神经网络(recurrent neural network)组合而成的CRNN模型。 使用CNN从每个4D输入的时间切片中学习频率和空间信息，使用LSTM从CNN输出中提取时间依赖性。 LSTM的最后一个节点的输出执行分类。 我们的模型在主题内分裂的SEED和DEAP数据集上都达到了最先进的性能。 实验结果表明，结合脑电的频率、空间和时间信息进行情感识别是有效的。

该数据库是通过使用商业设备对30名受试者进行实验而获得的，以部分满足博士学位的要求。计算机科学候选人：Fernandez-Fraga S.M.并由M. A. Aceves-Fernandez博士监督。来自墨西哥克雷塔罗自治大学（UAQ）。这些实验符合当地最高道德标准（我们大学提供的生物伦理学标准）和国际（世界卫生组织提供的文件），并由专业医师随时监督。