Die Emotionserkennung durch Elektroenzephalografie (EEG) ist eine bedeutende Aufgabe im Bereich der Brain-Computer Interfaces. Obwohl in letzter Zeit viele Methoden des tiefen Lernens vorgeschlagen wurden, stellt es immer noch eine Herausforderung dar, die Informationen in verschiedenen Domänen der EEG-Signale vollständig zu nutzen. In dieser Arbeit stellen wir eine neuartige Methode vor, das vierdimensionale aufmerksamkeitsbasierte neuronale Netzwerk (4D-aNN), für die EEG-Emotionserkennung. Zunächst werden rohe EEG-Signale in vierdimensionale räumlich-spektral-zeitliche Darstellungen transformiert. Anschließend verwendet das vorgeschlagene 4D-aNN spektrale und räumliche Aufmerksamkeitsmechanismen, um die Gewichte verschiedener Hirnregionen und Frequenzbänder anpassbar zuzuweisen. Ein konvolutionsbasiertes neuronales Netzwerk (CNN) wird eingesetzt, um die spektralen und räumlichen Informationen der 4D-Darstellungen zu verarbeiten. Darüber hinaus wird ein zeitlicher Aufmerksamkeitsmechanismus in ein bidirektionales Long Short-Term Memory (LSTM)-Netzwerk integriert, um die zeitlichen Abhängigkeiten der 4D-Darstellungen zu untersuchen. Unser Modell erzielt den aktuellen Stand der Technik auf dem SEED-Datensatz bei intrasubjektiver Aufteilung. Die experimentellen Ergebnisse haben die Effektivität der Aufmerksamkeitsmechanismen in verschiedenen Domänen für die EEG-Emotionserkennung gezeigt.