En este artículo, proponemos un reconocimiento de patrones de ondas cerebrales basado en el habla imaginada utilizando aprendizaje profundo. Se extrajeron múltiples características simultáneamente de señales de electroencefalografía (EEG) de ocho canales. Para obtener datos de EEG clasificables con menos sensores, colocamos los sensores de EEG en puntos cuidadosamente seleccionados en el cuero cabelludo. Para disminuir las dimensiones y la complejidad del conjunto de datos de EEG y evitar el sobreajuste durante el algoritmo de aprendizaje profundo, utilizamos la transformación de dispersión de wavelet. Se utilizó un auricular de EEG de 8 canales de bajo costo con MATLAB 2023a para adquirir los datos de EEG. Se utilizó una red neuronal recurrente de memoria a corto y largo plazo (LSTM-RNN) para decodificar las señales de EEG identificadas en cuatro comandos de audio: arriba, abajo, izquierda y derecha. Se aplicó la transformación de dispersión de wavelet para extraer las características más estables al pasar el conjunto de datos de EEG a través de una serie de procesos de filtración. La filtración se implementó para cada comando individual en los conjuntos de datos de EEG. El enfoque propuesto de reconocimiento de patrones de ondas cerebrales basado en el habla imaginada logró una precisión de clasificación general del 92.50%. Esta precisión es prometedora para diseñar sistemas en tiempo real confiables de interfaz cerebro-computadora (BCI) basados en el habla imaginada en el futuro. Para una mejor evaluación del rendimiento de clasificación, se consideraron otras métricas y obtuvimos un 92.74%, 92.50% y 92.62% para precisión, recall y puntuación F1, respectivamente.