Afin d’explorer les bandes de fréquence critiques et les canaux EEG pertinents, cette étude introduit les réseaux de croyance profonds (Deep Belief Networks, DBNs) pour la construction de modèles de reconnaissance d’émotions à partir d’EEG, ciblant trois états émotionnels : positif, neutre et négatif. Un jeu de données EEG a été développé à partir de 15 sujets, chaque sujet participant à deux sessions d’expérimentation espacées de quelques jours. Les DBNs sont entraînés à partir de caractéristiques d’entropie différentielle extraites des données EEG multicanal. En analysant les poids des DBNs entraînés, nous identifions les bandes de fréquence et les canaux critiques. Quatre profils distincts comportant respectivement 4, 6, 9 et 12 canaux sont sélectionnés. Les taux de reconnaissance associés à ces quatre profils se révèlent relativement stables, avec un taux maximal atteignant 86,65 %, dépassant même celui obtenu avec les 62 canaux d’origine. Les bandes de fréquence et les canaux critiques identifiés à partir des poids des DBNs entraînés sont en accord avec les observations existantes dans la littérature. Par ailleurs, nos résultats expérimentaux montrent que des signatures neuronales spécifiques à différentes émotions existent effectivement, et qu’elles présentent une certaine similarité à la fois entre les sessions et entre les individus. Une comparaison des performances entre modèles profonds et modèles plats est également effectuée : les taux moyens de reconnaissance pour le DBN, la SVM, la régression logistique (LR) et le KNN sont respectivement de 86,08 %, 83,99 %, 82,70 % et 72,60 %.