在构建人机交互系统(HMI)的过程中人的情感和影响发挥着至关重要的作用。情感计算是一个跨学科的研究领域,涉及的学科有:计算机科学、心理学和认知科学,是一种有助于探索和理解人类情感的技术。情感识别是一个基础研究领域,它被广泛应用于虚拟现实、医疗保健和社会保障等现实生活中。生理信号,特别是来自大脑的信号,与情绪状态有着密切的联系。然而,大多数情绪识别的研究都集中在视听信号上。大多数使用EEG检测和分类情绪的研究要么没有考虑大脑的网络性质,要么没有考虑建立大脑网络模型的功能连接性而只考虑大脑的空间特性。对于使用大脑空间网络和使用深度学习模型的研究,会使图形扁平化,从而导致图形信息丢失,从而使模型不适合学习图形。在本论文中,我们设计了一个新的模型,利用脑电的性质和鉴别特征来对情绪进行分类。此外,我们利用大脑的网络特性创建了基于功能连接性的相关图和基于空间连接性的距离图。因此,我们使用谱图卷积网络对情绪进行准确分类。我们提出了一个有效的局部滤波器来快速准确地学习图上的节点依赖关系。从一个公开的数据集DEAP中评估我们的EEG信号模型后发现,DEAP拥有最多的用户数。在实验过程中,我们的模型在相关图上达到了76.42%的效价和78.42%的唤醒峰值准确率。本文首先对功能连通图和空间图在情感分类中的应用进行了比较分析。函数连通图的性能优于空间图。此外,我们还将研究结果与现有的基础艺术模型和其他深度学习模型进行了比较。其中我们提出的模型优于其他。