Nous présentons le jeu de données MEEG, une collection multimodale d'enregistrements d'électroencéphalogrammes (EEG) induits par la musique, conçue pour capturer les réponses émotionnelles à divers stimuli musicaux à travers différents niveaux de valence et d'activation. Ce jeu de données public facilite une analyse approfondie des motifs d'ondes cérébrales dans des contextes musicaux, offrant une base solide pour l'étude de la topologie du réseau cérébral lors du traitement émotionnel. En s'appuyant sur le jeu de données MEEG, nous introduisons le Apprenant Temporel Basé sur l'Attention avec Réseau Neuronal Graphique Dynamique (AT-DGNN), un cadre novateur pour la reconnaissance des émotions basée sur l'EEG. Ce modèle combine un mécanisme d'attention avec un réseau neuronal graphique dynamique (DGNN) pour capturer les dynamiques complexes de l'EEG. L'AT-DGNN atteint des performances de pointe (SOTA) avec une précision de 83,74 % en reconnaissance d'activation et de 86,01 % en reconnaissance de valence, surpassant les méthodes SOTA existantes. Une analyse comparative avec des jeux de données traditionnels tels que DEAP valide davantage l'efficacité du modèle et souligne la puissance de la musique en tant que stimulus émotionnel. Cette étude avance la méthodologie d'apprentissage basée sur les graphes dans les interfaces cerveau-ordinateur (BCI), améliorant considérablement la précision de la reconnaissance des émotions basée sur l'EEG. Le jeu de données MEEG et le code source sont disponibles au public sur https://github.com/xmh1011/AT-DGNN.