Identificar con precisión el tipo de convulsión es vital en el plan de tratamiento y la prescripción de medicamentos para pacientes epilépticos. La técnica más comúnmente adoptada para identificar convulsiones epilépticas es la electroencefalografía (EEG). Las señales de EEG incluyen información importante sobre las actividades eléctricas del cerebro y se utilizan ampliamente para el análisis de la epilepsia. Entre varias arquitecturas de redes neuronales profundas, las redes neuronales convolucionales (CNN) han sido ampliamente utilizadas para el aprendizaje de representaciones de señales de EEG para el análisis de la epilepsia. Sin embargo, la mayoría de los métodos existentes basados en CNN sufren del problema de sobreajuste debido a un pequeño número de pruebas de EEG y al gran número de parámetros aprendibles. Este documento introduce el diseño de un modelo de red profunda eficiente, ligero y expresivo basado en la teoría de ResNet y la memoria a corto y largo plazo (LSTM) para clasificar los tipos de convulsiones a partir de pruebas de EEG. Se adopta un módulo 1D ResNet para entrenar una red más profunda sin encontrar problemas de gradiente desvaneciente y para evitar el problema de sobreajuste de los modelos CNN. El módulo LSTM codifica y aprende dependencias a largo plazo en el tiempo. Se aplica la técnica de sobremuestreo de minorías sintéticas (SMOTE) para equilibrar los datos aumentando las pruebas de las clases minoritarias. El método propuesto fue evaluado utilizando la base de datos de referencia de dominio público TUH. Los resultados experimentales revelaron el rendimiento superior del modelo propuesto sobre otros modelos de vanguardia con una puntuación F1 del 97,4%. El modelo de aprendizaje profundo propuesto ayudará a los neurólogos a interpretar y clasificar con precisión los tipos de convulsiones epilépticas y mejorar la vida del paciente.