El trastorno depresivo mayor (TDM) es una enfermedad mental de alto riesgo que afecta gravemente a individuos de todos los grupos de edad. Sin embargo, la investigación existente carece de un análisis integral y de la utilización de características topológicas del cerebro, lo que dificulta la reducción de la conectividad redundante mientras se preservan los biomarcadores relacionados con la depresión. Este estudio propone un análisis de red cerebral y un algoritmo de reconocimiento basado en la selección de características de correlación específicas de clase. Aprovechando el monitoreo de electroencefalograma como una herramienta de detección de TDM más objetiva, este estudio emplea una representación tensorial escasa para reducir la dimensionalidad de los datos de series temporales de redes cerebrales funcionales, extrayendo las matrices de conectividad funcional más representativas. Para mitigar el impacto de las conexiones redundantes, se integra un algoritmo de selección de características que combina la correlación dinámica máxima específica de clase consciente topológicamente y la mínima redundancia, identificando un subconjunto óptimo de características que mejor distingue a los pacientes con TDM de los controles sanos. Las características seleccionadas se clasifican luego por relevancia y se introducen en un clasificador híbrido CNN-BiLSTM. Los resultados experimentales demuestran precisiones de clasificación del 95.96% y 94.90% en los conjuntos de datos MODMA y PRED + CT, respectivamente, superando significativamente a los métodos convencionales. Este estudio no solo mejora la precisión de la identificación del TDM, sino que también mejora la interpretabilidad clínica de los resultados de selección de características, ofreciendo nuevas perspectivas para la investigación patológica del TDM y el diagnóstico clínico.