La computación afectiva tiene como objetivo desarrollar sistemas capaces de interactuar efectivamente con las personas a través del reconocimiento de emociones. La neurociencia y la psicología han establecido modelos que clasifican las emociones humanas universales, proporcionando un marco fundamental para desarrollar sistemas de reconocimiento de emociones. La actividad cerebral relacionada con los estados emocionales puede ser capturada a través de la electroencefalografía (EEG), lo que permite la creación de modelos que clasifican emociones incluso en entornos no controlados. En este estudio, proponemos un modelo de reconocimiento de emociones basado en señales de EEG utilizando técnicas de aprendizaje profundo en una base de datos propia. Para mejorar la separabilidad de las emociones, exploramos varias técnicas de transformación de datos, incluidas las Redes Neuronales de Fourier y las rotaciones cuánticas. El modelo de red neuronal convolucional, combinado con rotaciones cuánticas, logró un 95% de precisión en la clasificación de emociones, especialmente en la distinción de emociones tristes. La integración de estas transformaciones puede mejorar aún más el rendimiento general del reconocimiento de emociones.