La conectividad cerebral se estudia como una red conectada funcionalmente utilizando métodos estadísticos como medir correlación o covarianza. Las técnicas de neuroimagen no invasivas como las señales de Electroencefalografía (EEG) se convierten en redes transformando las señales en una Matriz de Correlación y analizando las redes resultantes. Aquí, se implementan cuatro modelos de aprendizaje, a saber, Regresión Logística, Bosque Aleatorio, Máquina de Vectores de Soporte y Redes Neuronales Recurrentes (RNN), en dos tipos diferentes de matrices de correlación: Matriz de Correlación (conectividad estática) y Matriz de Correlación de Resolución Temporal (conectividad dinámica), para clasificarlos ya sea en su evaluación psicométrica o en el efecto de la terapia. Estas matrices de correlación son diferentes de las técnicas de aprendizaje tradicionales en el sentido de que incorporan características de grafos basadas en teoría en los modelos de aprendizaje, proporcionando así novedad a este estudio. Los datos de EEG utilizados en este estudio son basados en pruebas/eventos de cinco paradigmas experimentales diferentes, que pueden clasificarse ampliamente como tareas de memoria de trabajo y evaluación de estados emocionales (depresión, ansiedad y estrés). Las clasificaciones basadas en RNN proporcionaron una precisión más alta (74-88%) que los otros tres modelos (50-78%). En lugar de utilizar características de grafos individuales, una Matriz de Correlación proporciona una prueba inicial de los datos. En comparación con la Matriz de Correlación de Resolución Temporal, ofreció una precisión un 4-5% más alta. La Matriz de Correlación de Resolución Temporal es más adecuada para estudios dinámicos aquí; proporciona una precisión menor en comparación con la Matriz de Correlación, una característica estática.