El reconocimiento de emociones juega un papel crucial en la computación afectiva, y las señales de electroencefalografía (EEG) se aplican cada vez más en este campo debido a su efectividad para reflejar la actividad cerebral. En este artículo, proponemos un modelo novedoso de reconocimiento de emociones EEG que combina la Red de Convolución de Agrupación de Gráficos basada en ReliefF y los Mecanismos de Atención BiGRU (RGPCN-BiGRUAM). RGPCN-BiGRUAM integra de manera efectiva las ventajas de las redes de convolución de gráficos y las redes neuronales recurrentes. Al incorporar pesos ReliefF y un mecanismo de atención en la agrupación de gráficos, nuestro modelo mejora la agregación de características de alta calidad mientras descarta las irrelevantes, mejorando así la eficiencia de la transmisión de información. La implementación de una fusión de mecanismo de atención de múltiples cabezas en BiGRU aborda las limitaciones de las características de salida única, logrando una selección óptima de características globales. Experimentos comparativos en los conjuntos de datos públicos SEED y DEAP demuestran que nuestro propuesto RGPCN-BiGRUAM mejora significativamente el rendimiento de clasificación en comparación con algoritmos clásicos, logrando resultados de vanguardia. Estudios de ablación validan aún más los principios de diseño de nuestro modelo. Los resultados de este estudio indican que RGPCN-BiGRUAM tiene un fuerte potencial para el reconocimiento de emociones EEG, ofreciendo posibilidades sustanciales para aplicaciones futuras.