El reconocimiento de emociones basado en señales de Electroencefalograma (EEG) desempeña un papel vital en la computación afectiva y la interacción humano-computadora (HCI). Sin embargo, el ruido, los artefactos y las distorsiones de la señal presentan desafíos que limitan la precisión y la robustez de la clasificación. Para abordar estos problemas, proponemos ECA-ResDNN, un modelo híbrido novedoso diseñado para aprovechar las características de frecuencia, espaciales y temporales de las señales de EEG para mejorar el reconocimiento de emociones. A diferencia de los modelos convencionales, ECA-ResDNN integra un mecanismo de Atención de Canal Eficiente (ECA) dentro de una red neuronal residual para mejorar la selección de características en el dominio de frecuencia mientras se preserva la información espacial esencial. Una Red Neuronal Profunda extrae además dependencias temporales, mejorando la precisión de la clasificación. Además, una función de pérdida híbrida que combina la pérdida de entropía cruzada y la pérdida de conjunto difuso mejora la robustez del modelo ante el ruido y la incertidumbre. Los resultados experimentales demuestran que ECA-ResDNN supera significativamente en precisión y robustez a enfoques existentes, subrayando su potencial para aplicaciones en computación afectiva, monitoreo de salud mental e interacción inteligente humano-computadora.