Sono state esplorate e valutate metodologie avanzate di machine learning e deep learning per il riconoscimento delle emozioni e dello stress utilizzando segnali fisiologici come EEG, ECG e GSR. L'analisi è stata condotta su sei dataset pubblici di riferimento: AMIGOS, DEAP, DREAMER, YAAD, SWELL e WESAD. Sono state implementate pipeline computazionali complete che includono il pre-processing dei segnali, l'estrazione di feature (statistiche, nel dominio del tempo e della frequenza, come i parametri di Hjorth e la variabilità della frequenza cardiaca), il bilanciamento delle classi con tecniche come SMOTE, e la selezione delle feature più informative. Diversi classificatori tradizionali, tra cui Support Vector Machines (SVM), Random Forest e Gradient Boosting, sono stati confrontati e ottimizzati tramite cross-validation e tuning degli iperparametri.