Recientemente, el reconocimiento de patrones en el procesamiento de señales de audio utilizando electroencefalografía (EEG) ha atraído una atención significativa. Los cambios en los casos de los ojos (abiertos o cerrados) se reflejan en patrones distintos en los datos de EEG, recopilados en una variedad de casos y acciones. Por lo tanto, la precisión de extraer otra información de estas señales depende significativamente de la predicción del caso del ojo durante la adquisición de las señales de EEG. En este documento, utilizamos la vectorización cuántica de aprendizaje profundo (DLVQ) y técnicas de red neuronal artificial feedforward (F-FANN) para reconocer el caso del ojo. El DLVQ es superior al VQ tradicional en problemas de clasificación debido a su capacidad para aprender un libro de códigos con restricciones de código. Al ser inicializado por el enfoque VQ de k-means, el DLVQ muestra un rendimiento muy prometedor cuando se prueba en una tarea de recuperación de información de EEG-audio, mientras que el F-FANN clasifica las señales de EEG-audio del estado de los ojos como abiertos o cerrados. El modelo DLVQ logra una mayor precisión de clasificación, un mayor puntaje F, precisión y recuperación, así como habilidades de clasificación superiores en comparación con el F-FANN.