Estudios previos para reconocer emociones negativas en la atención de salud mental han utilizado equipos pesados que conectan directamente electrodos de electroencefalograma (EEG) a la cabeza, y han propuesto métodos de clasificación binaria para identificar emociones negativas. Para abordar este problema, proponemos un sistema de reconocimiento de emociones negativas para recopilar datos de biosignales multimodales como cinco señales de EEG de un auricular de EEG y la frecuencia cardíaca, la respuesta galvánica de la piel y la temperatura de la piel de una pulsera inteligente para clasificar múltiples emociones negativas. Esto consiste en una aplicación de Internet de las cosas (IoT) para Android, un servidor IoT compatible con oneM2M y un servidor de aprendizaje automático. La aplicación de IoT para Android carga los datos de biosignales en el servidor IoT. Utilizando los datos de biosignales almacenados en el servidor IoT, el servidor de aprendizaje automático reconoce las emociones negativas de asco, miedo y tristeza utilizando un modelo de máquina de vectores de soporte (SVM) multiclase con un núcleo de función de base radial. Los resultados experimentales demuestran que el enfoque de datos de biosignales multimodales logra una precisión del 93%. Además, al considerar solo los datos de la pulsera inteligente, el sistema logró una precisión del 98% optimizando los hiperparámetros del modelo SVM multiclase. Basándonos en estos resultados, planeamos desarrollar un sistema de metaverso que detecte y exprese emociones negativas en tiempo real.