El reconocimiento de emociones basado en electroencefalogramas (EEG) ha recibido una atención significativa en la investigación de interfaces cerebro-computadora y aplicaciones de salud. Aunque se han estudiado ampliamente modelos de aprendizaje profundo, la mayoría están diseñados para tareas de clasificación y tienen dificultades para predecir con precisión puntuaciones emocionales continuas en entornos de regresión. En este documento, presentamos EEG-RegNet, una nueva red neuronal profunda diseñada para la predicción precisa de puntuaciones emocionales a lo largo del espacio continuo valencia-activación-dominancia (VAD) en EEG. EEG-RegNet aborda dos desafíos principales: la extracción de características de EEG relevantes para la emoción independientes del sujeto y el mapeo de estas características a puntuaciones emocionales continuas detalladas. El modelo aprovecha redes neuronales convolucionales 2D (CNN) para la extracción de características espaciales y un CNN 1D para dinámicas temporales, proporcionando un modelado robusto espacio-temporal. Una innovación clave es la función de pérdida híbrida, que integra error cuadrático medio (MSE) y entropía cruzada (CE) con una penalización de Bernoulli para mejorar la estimación de probabilidades y abordar la dispersión en el espacio emocional. Experimentos extensos en el conjunto de datos DEAP muestran que EEG-RegNet logra resultados de vanguardia en la predicción de puntuaciones emocionales continuas y alcanza un 95% de precisión en la clasificación emocional detallada, destacando su escalabilidad y precisión en el reconocimiento de emociones.