Las medidas de entropía son características efectivas para problemas de clasificación de series temporales. Las medidas tradicionales de entropía, como la entropía de Shannon, utilizan una función de distribución de probabilidad. Sin embargo, para la separación efectiva de series temporales, se requieren nuevos métodos de estimación de entropía para caracterizar la dinámica caótica del sistema. Nuestra idea de Entropía de Redes Neuronales (NNetEn) se basa en la clasificación de conjuntos de datos especiales en relación con la entropía de las series temporales registradas en el depósito de la red neuronal. NNetEn estima la dinámica caótica de las series temporales de una manera original y no tiene en cuenta las funciones de distribución de probabilidad. Proponemos dos nuevas métricas de clasificación: Eficiencia R2 y Eficiencia de Pearson. La eficacia de NNetEn se verifica en la separación de dos series temporales caóticas de mapeo de seno utilizando análisis de dispersión. Para dos series temporales dinámicas cercanas (= 1.1918 y = 1.2243), el valor del F-ratio ha alcanzado el valor de 124 y refleja la alta eficiencia del método introducido en problemas de clasificación. La clasificación de señales de electroencefalografía para personas sanas y pacientes con enfermedad de Alzheimer ilustra la aplicación práctica de las características de NNetEn. Nuestros cálculos demuestran el efecto sinérgico de aumentar la precisión de la clasificación al aplicar medidas de entropía tradicionales y el concepto de NNetEn conjuntamente. Se presenta una implementación de los algoritmos en Python.