La epilepsia, como trastorno neurológico grave, puede detectarse analizando las señales cerebrales producidas por las neuronas. Las señales del electroencefalograma (EEG) son la fuente de datos más importante para monitorear estas señales cerebrales. Sin embargo, estas señales complejas, ruidosas, no lineales y no estacionarias hacen que la detección de convulsiones sea una tarea desafiante. Los algoritmos de detección de convulsiones basados en características se han convertido en un enfoque dominante para la detección automática de convulsiones. Este estudio presenta un algoritmo para la detección automática de convulsiones basado en características novedosas con significado clínico y estadístico. Nuestros algoritmos lograron los mejores resultados en dos conjuntos de datos de referencia, superando a los métodos tradicionales basados en características y a los algoritmos de aprendizaje profundo de vanguardia. La precisión superó el 99.99% en ambos conjuntos de datos públicos de referencia, con la detección correcta del 100% de todas las convulsiones en el segundo. Debido a la interpretabilidad y robustez de nuestro algoritmo, combinado con sus mínimos requisitos de recursos computacionales y consumo de tiempo, mostró un valor potencial sustancial en el ámbito de la aplicación clínica. Los coeficientes de variación de los conjuntos de datos propuestos por nosotros hacen que el algoritmo sea específico de los datos y pueden dar orientación teórica sobre la selección de características espectrales aleatorias apropiadas para diferentes conjuntos de datos. Esto ampliará el escenario de aplicabilidad de nuestro enfoque basado en características.