Apuntando a problemas como la dificultad de reconocer emociones en las personas mayores y la incapacidad de los modelos tradicionales de aprendizaje automático para capturar de manera efectiva la relación no lineal entre los datos de señales fisiológicas, se propone un Mapa Recursivo (RM) combinado con un Transformador de Visión (ViT) para reconocer las emociones de las personas mayores basándose en las señales de Electroencefalograma (EEG), Actividad Electrodermal (EDA) y Variabilidad de la Frecuencia Cardíaca (HRV). El Optimizador del Escarabajo Pelotero (DBO) se utiliza para optimizar la descomposición modal variacional de las señales de EEG, EDA y HRV. Las señales de series temporales descompuestas y optimizadas se convierten en imágenes bidimensionales utilizando RM, y luego las señales de imagen convertidas se aplican al ViT para el estudio del reconocimiento emocional de las personas mayores. Los pesos pre-entrenados de ViT en el conjunto de datos ImageNet-22k se cargan en el modelo y se vuelven a entrenar con los datos de imagen bidimensional. El modelo se valida y compara utilizando el conjunto de pruebas. Los resultados de la investigación muestran que la precisión de reconocimiento del método propuesto en las señales de EEG, EDA y HRV es del 99.35%, 86.96% y 97.20%, respectivamente. Esto indica que las señales de EEG pueden reflejar mejor los problemas emocionales de las personas mayores, seguidas por las señales de HRV, mientras que las señales de EDA tienen efectos más pobres. En comparación con las Máquinas de Vectores de Soporte (SVM), Naive Bayes (NB) y Vecinos más Cercanos (KNN), la precisión de reconocimiento del método propuesto se incrementa en al menos un 9.4%, 11.13% y 12.61%, respectivamente. En comparación con ResNet34, EfficientNet-B0 y VGG16, se incrementa en al menos un 1.14%, 0.54% y 3.34%, respectivamente. Esto demuestra la superioridad del método propuesto en el reconocimiento emocional de las personas mayores.