Die Emotionserkennung ist ein zentrales Problem im Bereich der affektiven Informatik und der Mensch-Computer-Interaktion. In den letzten Jahren haben verschiedene maschinelle Lernmodelle erhebliche Fortschritte in der Emotionserkennung erzielt. In diesem Beitrag wird ein Framework für die EEG-basierte Emotionserkennung vorgestellt, das auf einem mehrschichtigen Perzeptron (MLP) basiert. Zur Quantifizierung der Emotionen im Valenz-Arousal-Skalenmodell werden Power-Spektraldichte-Features verwendet, während das MLP zur Klassifizierung eingesetzt wird. Zur Optimierung der Architektur des MLP wird ein genetischer Algorithmus herangezogen. Das vorgeschlagene Modell erreicht eine durchschnittliche Genauigkeit von 91,10 % bei der Unterscheidung zweier Emotionsklassen (niedrige/hohe Valenz) sowie 91,02 % bei der Klassifizierung nach niedriger/hochem Arousal. Bei der vierklassigen Emotionsklassifizierung – High Valence-Low Arousal (HVLA), High Valence-High Arousal (HVHA), Low Valence-Low Arousal (LVLA) und Low Valence-High Arousal (LVHA) – wird eine Genauigkeit von 83,52 % erzielt. Die präsentierten Ergebnisse übertreffen die bisher in der Literatur dokumentierten Ergebnisse.