La aplicación del reconocimiento de emociones (ER) basado en electroencefalograma (EEG) a la interfaz cerebro-computadora (BCI) se ha vuelto cada vez más popular en la última década. Los sistemas de reconocimiento de emociones involucran preprocesamiento y extracción de características, seguido de clasificación. Recientemente, se ha utilizado el aprendizaje profundo para clasificar emociones en sistemas BCI, y los resultados han mejorado en comparación con enfoques clásicos de clasificación. El objetivo principal de este estudio es clasificar las emociones a partir de señales de electroencefalograma utilizando diferentes arquitecturas de redes neuronales recurrentes. Tres arquitecturas se utilizan en este trabajo para el reconocimiento de emociones utilizando señales de EEG: RNN (red neuronal recurrente), LSTM (red neuronal de memoria a corto plazo) y GRU (unidad recurrente con compuertas). La eficiencia de estas redes, en términos de medidas de rendimiento, fue confirmada por datos experimentales. El experimento se realizó utilizando el conjunto de datos de ondas cerebrales EEG: Feeling Emotions, y se logró una precisión promedio del 95% para RNN, 97% para LSTM y 96% para GRU para problemas de detección de emociones.