El reconocimiento de emociones basado en EEG (EEG-ER) a través de modelos de aprendizaje profundo ha ganado más atención en los últimos años, con más investigadores centrados en la arquitectura, la extracción de características y la generalización. Este artículo presenta un novedoso marco de aprendizaje profundo de extremo a extremo para EEG-ER, combinando la extracción de características temporales, mecanismos de autoatención y adaptación adversarial de dominio. La arquitectura implica una CNN 1D de múltiples etapas para características espaciotemporales a partir de señales EEG en bruto, seguida de un módulo de atención basado en transformadores para dependencias a largo plazo, y un módulo de red neuronal adversarial de dominio (DANN) con inversión de gradiente para permitir una poderosa generalización independiente del sujeto al aprender características invariantes al dominio. Los experimentos en conjuntos de datos de referencia (DEAP, SEED, DREAMER) demuestran que nuestro enfoque logra un rendimiento de vanguardia, con una mejora significativa en la precisión de reconocimiento entre sujetos en comparación con marcos no adaptativos. La arquitectura aborda desafíos clave en el reconocimiento de emociones por EEG, incluyendo la generalización, la variabilidad entre sujetos y la modelización de dinámicas temporales. Los resultados destacan la efectividad de combinar el aprendizaje de características convolucionales con la adaptación adversarial de dominio para un robusto EEG-ER.