Die Neurowissenschaftsstudie hat die Diskrepanz der Emotionsausdrücke zwischen den linken und rechten Hirnhälften des menschlichen Gehirns aufgezeigt. Inspiriert durch diese Studie, schlagen wir in diesem Artikel ein neues Modell zur bihemisphärischen Diskrepanz (BiHDM) vor, um die asymmetrischen Unterschiede zwischen den beiden Hirnhälften für die Emotionserkennung durch Elektroenzephalogramme (EEG) zu lernen. Konkret verwenden wir zunächst vier gerichtete rekurrente Neuronale Netze (RNNs), basierend auf zwei räumlichen Orientierungen, um die Elektrodensignale in zwei getrennten Hirnregionen zu durchlaufen. Dies ermöglicht es dem Modell, tiefgreifende Darstellungen aller EEG-Elektroden-Signale zu erlangen, während es die intrinsische räumliche Abhängigkeit beibehält. Anschließend entwickeln wir ein paarweises Untermodul, um die Diskrepanzinformation zwischen den beiden Hirnhälften zu erfassen und höhere Merkmale für die endgültige Klassifikation zu extrahieren. Zudem setzen wir einen Domänen-Diskriminator ein, der das gesamte Merkmalslernmodul antagonistisch dazu anregt, emotionsbezogene aber domäneninvariante Merkmale zu generieren, was die EEG-Emotionserkennung weiter verbessern kann. Wir führen Experimente mit drei öffentlichen EEG-Emotionsdatensätzen durch, und die Ergebnisse zeigen, dass neue Stand der Technik-Ergebnisse erzielt werden können.