La detección y clasificación de crisis epilépticas a partir de grabaciones de EEG enfrenta desafíos significativos debido al extremo desequilibrio de clases. El análisis del conjunto de datos del Hospital de la Universidad de Temple (TUSZ) revela ratios de desequilibrio de 150:1 entre tipos de crisis comunes y raros, con alta heterogeneidad temporal (duraciones de crisis de 1-1638 s). Proponemos una arquitectura de aprendizaje profundo en cascada con dos CNN especializadas: un detector binario seguido de un clasificador multiclase. Este enfoque descompone el problema de clasificación, reduciendo el desequilibrio máximo de 150:1 a niveles manejables (9:1 binario, 5:1 por tipo). La arquitectura implementa un mecanismo de filtrado de alta confianza (umbral = 0.9), creando un conjunto de datos 99.5% puro para la clasificación por tipo, optimización dinámica ponderada por clase proporcional a las frecuencias inversas de clase, y refinamiento del flujo de información a través de etapas progresivas. El análisis de la dinámica de pérdidas revela que nuestro esquema de ponderación redistribuye estratégicamente la atención de optimización, reduciendo la varianza en un 90.7% para las clases mayoritarias mientras aumenta la varianza para las clases minoritarias, asegurando que todos los tipos de crisis reciban señales de aprendizaje proporcionales independientemente de su representación. El clasificador binario logra una especificidad del 99.64% y una sensibilidad del 98.23% (ROC-AUC = 0.995). El clasificador por tipo demuestra más del 99% de precisión en siete categorías de crisis con una clasificación perfecta (100%) para tres tipos de crisis a pesar de la representación mínima. La validación cruzada en el conjunto de datos de la Universidad de Bonn confirma una generalización robusta (96.0% de precisión) para la detección binaria de crisis. Este marco aborda de manera efectiva el desequilibrio multinivel en la clasificación de señales neurofisiológicas con estructuras de clases jerárquicas.