A pesar de los avances tecnológicos significativos en los sistemas de seguridad de la aviación, el monitoreo de la condición del operador humano sigue siendo un desafío crítico, con más del 75% de los incidentes aeronáuticos derivados de fallos perceptuales relacionados con la atención. Este estudio aborda una pregunta fundamental en el monitoreo de condiciones basado en sensores: ¿cómo se pueden integrar de manera óptima los datos de sensores EEG en el dominio temporal y de frecuencia para detectar precursores de fallos del sistema en interfaces humano-máquina? Proponemos un marco de diagnóstico en tres etapas que refleja los enfoques de monitoreo de condiciones industriales. Primero, las señales de los sensores EEG en bruto se someten a un preprocesamiento en épocas estandarizadas de un segundo. En segundo lugar, una novedosa metodología de extracción de características híbrida combina características del dominio temporal y de frecuencia para crear firmas de sensores completas de estados neuronales. Finalmente, nuestro modelo de arquitectura dual CNN-LSTM procesa patrones espaciales a través de CNNs mientras captura señales de degradación temporal a través de LSTMs, lo que permite una clasificación robusta en entornos operativos ruidosos. Nuestras contribuciones incluyen (1) un enfoque de fusión de datos multimodal para sensores EEG que proporciona una representación más completa de las condiciones del operador, y (2) una arquitectura de inteligencia artificial que equilibra el análisis espacial y temporal para el mantenimiento predictivo de los estados de atención. Al validar en conjuntos de datos EEG relacionados con la aviación, nuestro sistema de monitoreo de condiciones logró una precisión diagnóstica significativamente mayor en diversas condiciones de ruido en comparación con enfoques existentes. Las aplicaciones prácticas se extienden más allá de la mejora teórica, ofreciendo un camino para implementar un monitoreo más confiable de interfaces humano-máquina en sistemas críticos, lo que podría prevenir fallos catastróficos al detectar anomalías en las condiciones antes de que se propaguen a través del sistema.