La electroencefalografía (EEG) ha atraído un creciente interés como modalidad biométrica porque refleja la actividad cerebral en curso y es inherentemente difícil de falsificar. Al mismo tiempo, las señales de EEG están influenciadas por condiciones internas como las emociones, lo que puede afectar la estabilidad de la identificación, particularmente cuando las grabaciones se obtienen utilizando sistemas portátiles de calidad de consumo. Este estudio examina cómo los estados emocionales influyen en el rendimiento biométrico basado en EEG y evalúa arquitecturas de aprendizaje profundo para determinar un enfoque de modelado efectivo para la robustez entre emociones. Se recopilaron datos de EEG de 65 participantes utilizando un auricular Emotiv EPOC X de 14 canales, con 54 sujetos retenidos después de la validación emocional autoinformada. Las grabaciones se adquirieron bajo estímulos visuales neutros, positivos y negativos. Para abordar la variabilidad asociada con la adquisición portátil, el preprocesamiento utilizó las métricas internas de calidad de señal del dispositivo para seleccionar segmentos confiables, compensar regiones degradadas y reducir el ruido. Entre los modelos evaluados, una red de Memoria a Largo Plazo Bidireccional (BiLSTM) mejorada con un Módulo de Atención de Bloque de Convolución (CBAM) y Atención de Auto-Múltiples Cabezas (MHSA) logró el mejor rendimiento en nuestros experimentos. El modelo se entrenó con datos en estado neutro y posteriormente se evaluó bajo condiciones emocionales. Alcanzó una precisión del 95.91% en la condición neutra y mantuvo un alto rendimiento bajo estados positivos (94.31%) y negativos (92.99%). A pesar de un modesto descenso bajo estímulos negativos, el rendimiento de identificación se mantuvo estable. Estos hallazgos apoyan la viabilidad de una autenticación biométrica robusta basada en EEG utilizando dispositivos de calidad de consumo en entornos realistas.