Los latidos binaurales son una forma de estimulación acústica de baja frecuencia que se puede escuchar entre 200 y 900 Hz y pueden ayudar a reducir la ansiedad, así como alterar otras situaciones y estados psicológicos al afectar el estado de ánimo y la función cognitiva. Sin embargo, la investigación previa solo ha examinado el impacto de los latidos binaurales en la ansiedad estatal y de rasgo utilizando la escala STA-I; el nivel de ansiedad aún no ha sido evaluado y, para la eliminación de artefactos, la selección incorrecta de parámetros de wavelet redujo la energía de la señal original. Por lo tanto, en esta investigación, se ha analizado el nivel de ansiedad al escuchar latidos binaurales utilizando una nueva transformación de wavelet optimizada en la que los parámetros de wavelet optimizados se extraen de la señal EEG utilizando el algoritmo de polinización de flores, mediante el cual los artefactos se eliminan de manera efectiva de la señal EEG. Así, las señales EEG tienen cinco tipos de ondas cerebrales en los modelos existentes, que no se han analizado de manera óptima para ondas cerebrales que no sean las ondas delta ni se ha analizado el nivel de ansiedad utilizando latidos binaurales. Para superar esto, se ha propuesto un procesamiento de señal basado en una red neuronal convolucional profunda (CNN). En este, se extraen características profundas de los parámetros de señal EEG optimizados, que se seleccionan y ajustan de manera precisa a sus valores más eficientes utilizando el algoritmo de polinización de flores, asegurando una reducción mínima de la energía de la señal y la eliminación de artefactos para mantener la integridad de la señal EEG original durante el análisis. Estas características proporcionan la clasificación precisa de varios niveles de ansiedad, lo que brinda resultados más precisos sobre los efectos de los latidos binaurales en la ansiedad a partir de las ondas cerebrales. Finalmente, el modelo propuesto se implementa en la plataforma Python y los resultados obtenidos demuestran su eficacia. La transformación de wavelet optimizada propuesta utilizando un procesamiento de señal basado en CNN profundo supera a técnicas existentes como KNN, SVM, LDA y Narrow-ANN, con una alta precisión del 0.99%, precisión del 0.99%, recall del 0.99%, F1-score del 0.99%, especificidad del 0.999% y tasa de error del 0.01%. Por lo tanto, la transformación de wavelet optimizada con una CNN profunda puede realizar una descomposición efectiva de datos EEG y extraer características profundas relacionadas con la ansiedad para analizar el efecto de los latidos binaurales en los niveles de ansiedad.