Como tema de investigación de larga data en el campo de la interfaz cerebro-computadora, el reconocimiento de emociones todavía sufre de baja precisión de reconocimiento. En esta investigación, presentamos un modelo novedoso llamado DE-CNN-BiLSTM que integra profundamente la complejidad de las señales de EEG, la estructura espacial del cerebro y los contextos temporales de la formación de emociones. En primer lugar, extraemos las propiedades de complejidad de la señal de EEG calculando la Entropía Diferencial en diferentes segmentos de tiempo de diferentes bandas de frecuencia para obtener tensores de características 4D según la ubicación del cerebro. Posteriormente, los tensores 4D se introducen en la Red Neuronal Convolucional para aprender la estructura cerebral y producir secuencias temporales; después de eso, se utiliza Memoria a Corto y Largo Plazo Bidireccional para aprender información pasada y futura de las secuencias temporales. En comparación con los modelos existentes de reconocimiento de emociones, el nuevo modelo puede decodificar la señal de EEG profundamente y extraer características emocionales clave para mejorar la precisión. Los resultados de la simulación muestran que el algoritmo logra una precisión promedio del 94% para el conjunto de datos DEAP y del 94.82% para el conjunto de datos SEED, confirmando su alta precisión y fuerte robustez.