Las discrepancias en la distribución entre diferentes sesiones degradan en gran medida el rendimiento del reconocimiento de emociones a través del electroencefalograma (EEG) evocado por video. Existen discrepancias ya que la señal de EEG es débil y no estacionaria, y estas discrepancias se manifiestan en diferentes ensayos en cada sesión e incluso en algunos ensayos que pertenecen a la misma emoción. Con este fin, proponemos un modelo de Aprendizaje Métrico de Transferencia de Proyección Acoplada (CPTML) para completar conjuntamente la alineación de dominios y el aprendizaje métrico basado en grafos, que es un marco unificado para minimizar simultáneamente las divergencias entre sesiones y entre ensayos. Al experimentar con el conjunto de datos emocionales SEED_IV, mostramos que (1) CPTML exhibe un rendimiento significativamente mejor que varios otros enfoques; (2) las discrepancias en la distribución entre sesiones se minimizan y el gráfico métrico de emociones a través de diferentes ensayos se optimiza en el subespacio inducido por CPTML, lo que indica la efectividad de la alineación de datos y la exploración métrica; y (3) se identifican automáticamente bandas de frecuencia y canales críticos de EEG para el reconocimiento de emociones a partir de las matrices de proyección aprendidas, proporcionando más información sobre la ocurrencia del efecto.