Las emociones son consideradas como un aspecto importante de las interacciones humanas y conversaciones, y permiten la toma de decisiones efectivas y lógicas. El reconocimiento de emociones utiliza auriculares de electroencefalografía (EEG) portátiles de bajo costo para recopilar señales de ondas cerebrales e interpretar estas señales para proporcionar información sobre el estado mental de una persona, con la implementación de un entorno de realidad virtual en diferentes aplicaciones; la brecha entre la interacción humana y computacional, así como el proceso de comprensión, se acortaría, proporcionando una respuesta inmediata a la salud mental de un individuo. Este estudio tiene como objetivo utilizar un auricular de realidad virtual (VR) para inducir cuatro clases de emociones (feliz, asustado, tranquilo y aburrido), recopilar muestras de ondas cerebrales utilizando un auricular de EEG portátil de bajo costo, y ejecutar clasificadores populares para comparar los más factibles que se pueden utilizar para esta configuración particular. En primer lugar, intentamos construir una base de datos inmersiva de VR que sea accesible para el público y que pueda potencialmente ayudar con estudios de reconocimiento de emociones utilizando estímulos de realidad virtual. En segundo lugar, utilizamos un auricular de EEG portátil de bajo costo que es compacto y pequeño, y se puede colocar en el cuero cabelludo sin ninguna restricción, permitiendo libertad de movimiento para que los participantes vean su entorno dentro del estímulo inmersivo de VR. Finalmente, evaluamos el sistema de reconocimiento de emociones utilizando algoritmos populares de aprendizaje automático y los comparamos tanto para la clasificación intra-sujeto como inter-sujeto. Los resultados obtenidos aquí muestran que el modelo de predicción para la clasificación de emociones de cuatro clases funcionó bien, incluida la clasificación inter-sujeto más desafiante, con la máquina de vectores de soporte (núcleo de peso de clase SVM) obteniendo una precisión de clasificación del 85.01%. Esto muestra que el uso de menos canales de electrodos pero con una sintonización adecuada de parámetros y selección de características afecta el rendimiento de las clasificaciones.