El reconocimiento de emociones independiente del sujeto basado en señales fisiológicas se ha convertido en un foco de investigación. Investigaciones anteriores han demostrado que las señales de actividad electrodermal (EDA) son un recurso de datos efectivo para el reconocimiento de emociones. Gracias a su gran capacidad de representación, un número creciente de redes neuronales profundas se han aplicado para el reconocimiento de emociones, y se pueden clasificar como una Red Neuronal Convolucional (CNN), una Red Neuronal Recurrente (RNN) o una combinación de estas (CNN+RNN). Sin embargo, no ha habido una investigación sistemática sobre el poder predictivo y las configuraciones de diferentes redes neuronales profundas en esta tarea. En este trabajo, exploramos sistemáticamente las configuraciones y el rendimiento de tres redes neuronales profundas adaptadas: ResNet, LSTM y ResNet-LSTM híbrido. Nuestros experimentos utilizan el método independiente del sujeto para evaluar la clasificación de tres clases en el conjunto de datos MAHNOB. Los resultados demuestran que el modelo CNN (ResNet) alcanza una mejor precisión y puntuación F1 que el modelo RNN (LSTM) y el modelo CNN+RNN (ResNet-LSTM híbrido). Comparaciones extensas también revelan que nuestras tres redes neuronales profundas con datos EDA superan a los modelos anteriores con características manuales en el reconocimiento de emociones, lo que demuestra el gran potencial del método DNN de extremo a extremo.