El reconocimiento de emociones es una parte vital del funcionamiento humano. Permite a los individuos responder adecuadamente a eventos ambientales y desarrollar autoconciencia. Los rápidos avances en la tecnología de interfaces cerebro-computadora (BCI) requieren que las máquinas inteligentes del futuro sean capaces de digitalizar y reconocer las emociones humanas. Para lograr esto, tanto los humanos como las máquinas han dependido de las expresiones faciales, además de otras señales visuales. Si bien las expresiones faciales son efectivas para reconocer emociones, pueden ser replicadas artificialmente y requieren monitoreo constante. En los últimos años, el uso de señales de electroencefalografía (EEG) se ha convertido en un método popular para el reconocimiento de emociones, gracias a los avances en técnicas de aprendizaje profundo y aprendizaje automático. Los sistemas basados en EEG para reconocer emociones implican medir la actividad eléctrica en el cerebro de un sujeto expuesto a estímulos emocionales como imágenes, sonidos o videos. Luego, se utilizan algoritmos de aprendizaje automático para extraer características de los datos de actividad eléctrica que corresponden a estados emocionales específicos. La calidad de la señal EEG extraída es crucial, ya que afecta la complejidad general del sistema y la precisión del algoritmo de aprendizaje automático. Este artículo presenta un enfoque para mejorar la precisión de los sistemas de reconocimiento de emociones basados en EEG mientras se reduce su complejidad. El enfoque implica optimizar el número de canales de EEG, su colocación en el cuero cabelludo humano y la banda de frecuencia objetivo de la señal medida para maximizar la diferencia entre niveles de excitación altos y bajos. El método de optimización, llamado optimización global de homología simplicial (SHGO), se utiliza para este propósito. Los resultados experimentales demuestran que una configuración de seis electrodos colocados de manera óptima puede lograr un mejor nivel de precisión que una configuración de 14 electrodos, resultando en una reducción de más del 60% en complejidad en términos del número de electrodos. Este método demuestra resultados prometedores en la mejora de la eficiencia y precisión de los sistemas de reconocimiento de emociones basados en EEG, lo que podría tener implicaciones en diversos campos, incluyendo la salud, la psicología y la interfaz humano-computadora.