Debido a sus propiedades encubiertas y en tiempo real, la electroencefalografía (EEG) ha sido durante mucho tiempo el medio de elección para la investigación de identificación de emociones. Actualmente, el reconocimiento de emociones basado en EEG se centra en explotar datos de EEG temporales, espaciales y espaciotemporales para el reconocimiento de emociones. Debido a la falta de consideración de los aspectos espaciales y temporales de los datos de EEG, la precisión de los algoritmos de detección de emociones de EEG que emplean únicamente variables espaciales o temporales es baja. Además, los enfoques que utilizan propiedades espaciotemporales de EEG para el reconocimiento de emociones tienen en cuenta las características temporales y espaciales de EEG; sin embargo, estos métodos extraen información temporal y espacial directamente de los datos de EEG. Dado que no hay una reconstrucción del formato de los datos de EEG, las propiedades temporales y espaciales de los datos de EEG no se pueden extraer eficientemente. Para abordar los problemas mencionados anteriormente, esta investigación propone un modelo de identificación de emociones de EEG de múltiples canales basado en el transformador paralelo y redes neuronales convolucionales tridimensionales (3D-CNN). Primero, se crean datos de EEG de canal paralelo y datos de secuencia de reconstrucción de posición de EEG por separado. Luego, se recuperan las características temporales y espaciales de EEG utilizando modelos de transformador y 3D-CNN. Finalmente, las características de los dos módulos paralelos se combinan para formar las características finales para el reconocimiento de emociones. En las bases de datos DEAP, Dreamer y SEED, la técnica logró una mayor precisión en el reconocimiento de emociones que otros métodos. Demuestra la eficacia de la estrategia descrita en este documento.