A pesar de lograr éxito en muchos ámbitos, los modelos de aprendizaje profundo siguen siendo en su mayoría cajas negras, especialmente en tareas relacionadas con electroencefalogramas (EEG). Mientras tanto, comprender las razones detrás de las predicciones del modelo es bastante crucial para evaluar la confianza y promoción del rendimiento en tareas relacionadas con EEG. En este trabajo, exploramos el uso de modelos interpretables representativos para analizar el comportamiento de aprendizaje de redes neuronales convolucionales (CNN) en el reconocimiento de emociones basado en EEG. Según el análisis interpretable, encontramos que las características similares capturadas por nuestro modelo y el modelo de vanguardia son consistentes con descubrimientos previos en la ciencia del cerebro. A continuación, proponemos un nuevo modelo integrando el conocimiento de la ciencia del cerebro con los resultados del análisis de interpretabilidad en el proceso de aprendizaje. Nuestro modelo integrado con conocimiento logra una mejor precisión de reconocimiento en conjuntos de datos estándar de reconocimiento basados en EEG.