La reconnaissance des émotions constitue un problème fondamental dans le domaine de l'informatique affective et de l'interaction homme-machine. Ces dernières années, divers modèles d'apprentissage automatique ont permis des progrès significatifs dans ce domaine. Ce papier propose un cadre pour la reconnaissance des émotions à partir d'EEG (électroencéphalogramme) basé sur un perceptron multicouche (MLP). Des caractéristiques de densité spectrale de puissance sont utilisées pour quantifier les émotions selon l'échelle de valence-arousal, tandis que le MLP est employé pour la classification. Un algorithme génétique est appliqué afin d'optimiser l'architecture du MLP. Le modèle proposé permet d’identifier : a) deux catégories d’émotions — basse/haute valence — avec une précision moyenne de 91,10 %, et basse/haute arousal avec une précision moyenne de 91,02 % ; b) quatre catégories d’émotions — haute valence-basse arousal (HVLA), haute valence-haute arousal (HVHA), basse valence-basse arousal (LVLA) et basse valence-haute arousal (LVHA) — avec une précision de 83,52 %. Les résultats rapportés dépassent ceux publiés dans la littérature existante.