Las señales de electroencefalograma (EEG) son señales eléctricas generadas por cambios en el potencial cerebral. Como una señal fisiológica significativa, las señales de EEG se han aplicado en varios campos, incluido el reconocimiento de emociones. Sin embargo, los métodos actuales de aprendizaje profundo basados en señales de EEG para el reconocimiento de emociones carecen de consideración de aspectos importantes y análisis exhaustivo de interacciones de extracción de características. En este documento, proponemos un modelo novedoso llamado ECA-CRNN para el reconocimiento de emociones utilizando señales de EEG. Nuestro modelo integra el módulo eficiente de atención de canal (ECA-Net) en nuestra combinación modificada de una red neuronal convolucional (CNN) personalizada y una unidad de circulación con compuertas (GRU), lo que permite una extracción de características más completa, mejora la relación interna entre bandas de frecuencia y mejora el rendimiento de reconocimiento. Además, utilizamos datos de cuatro dimensiones como entrada a nuestro modelo, que comprenden información temporal, espacial y de frecuencia. La prueba en el conjunto de datos DEAP demuestra que mejora la precisión de reconocimiento de las señales de EEG en tanto la excitación como la valencia al 95.70% y 95.33%, respectivamente, al tiempo que también reduce la desviación estándar durante la validación cruzada de cinco pliegues a 1.16 y 1.45 para excitación y valencia, respectivamente, superando la mayoría de los métodos.