Los modelos basados en aprendizaje profundo han demostrado ser uno de los principales temas de investigación activos en los sistemas de reconocimiento de emociones a partir de señales de electroencefalograma (EEG). Sin embargo, un desafío significativo es reconocer efectivamente nuevas emociones que se incorporan de forma secuencial, ya que los modelos actuales deben realizar un nuevo entrenamiento desde cero. En este documento, proponemos un método de Aprendizaje Incremental de Clases (CIL), llamado Aprendizaje Incremental que conserva el Espacio de Características Aprendidas (IL2FS), con el fin de permitir que los modelos de aprendizaje profundo incorporen nuevas emociones (clases) en las ya conocidas. IL2FS realiza un alineamiento de pesos para corregir el sesgo en las nuevas clases, mientras incorpora una pérdida de clasificación de márgenes y una pérdida de tripletes para preservar la separación entre clases y el alineamiento del espacio de características en las clases conocidas. Evaluamos IL2FS en dos conjuntos de datos públicos (DREAMER y DEAP) para el reconocimiento de emociones y lo comparamos con otros métodos recientes y populares de CIL reportados en visión por computadora. Los resultados experimentales muestran que IL2FS supera a otros métodos de CIL al obtener una precisión promedio del 59.08 +/- 08.26% y 79.36 +/- 04.68% en DREAMER y DEAP, reconociendo datos de nuevas emociones que se incorporan de forma secuencial.