En los últimos años, la mayoría de los enfoques convencionales de reconocimiento de emociones se han concentrado principalmente en las señales faciales, a menudo pasando por alto fuentes complementarias de información como la postura corporal y el contexto. Esta limitación reduce su efectividad en entornos complejos y del mundo real. En este trabajo, presentamos un marco de reconocimiento de emociones de múltiples ramas que procesa por separado la información facial, corporal y contextual utilizando tres redes neuronales dedicadas. Para capturar mejor las señales contextuales, enmascaramos intencionadamente la cara y el cuerpo del sujeto principal dentro de la escena, lo que lleva al modelo a explorar elementos visuales alternativos que pueden transmitir estados emocionales. Para mejorar aún más la calidad de las características extraídas, integramos mecanismos de atención tanto de canal como espacial en la arquitectura de la red. Evaluado en el desafiante conjunto de datos NCAER-S, nuestro modelo logra una precisión del 56.42%, superando al estado del arte GLAMOUR-Net. Estos resultados destacan la efectividad de combinar la representación de múltiples señales y la extracción de características guiada por atención para un reconocimiento de emociones robusto en entornos no controlados. Los hallazgos también subrayan la importancia del reconocimiento preciso de emociones para la interacción humano-computadora, donde la detección afectiva permite que los sistemas se adapten a los usuarios y ofrezcan experiencias más efectivas.