La reducción de dimensionalidad y la producción de representaciones simples de señales de electroencefalografía (EEG) son problemas desafiantes. Se han empleado autoencoders variacionales (VAEs) para la creación, aumento y extracción automática de características de datos EEG. En la mayoría de los estudios, la interpretación del espacio latente del VAE se utiliza para detectar solo la variable latente de distribución fuera de orden para la detección de anomalías. Sin embargo, la interpretación y visualización de todos los componentes del espacio latente revelan información sobre cómo el modelo llega a su conclusión. La principal contribución de este estudio es interpretar la representación desenredada del VAE activando solo un componente latente a la vez, mientras que los valores de los componentes restantes se establecen en cero porque es la media de la distribución. Los resultados muestran que el CNN-VAE funciona bien, como lo indican matrices como SSIM, MSE, MAE y MAPE, junto con valores de SNR y coeficiente de correlación a lo largo de la entrada y salida de la arquitectura. Además, la plausibilidad visual y el agrupamiento demuestran que cada componente contribuye de manera diferente a capturar los factores generativos en mapas topográficos. Nuestro pipeline propuesto añade al cuerpo de conocimiento al ofrecer un modelo de interpretación del espacio latente basado en CNN-VAE. Esto nos ayuda a entender la decisión del modelo y la importancia de cada componente del espacio latente responsable de activar partes del cerebro.