Los trastornos mentales (TM) constituyen factores de riesgo significativos para el autolesionismo y el suicidio. La incidencia de los TM ha ido en aumento anualmente, principalmente debido a diagnósticos e intervenciones inadecuadas. La identificación temprana y la intervención oportuna pueden ralentizar efectivamente la progresión de los TM y mejorar la calidad de vida. Sin embargo, el alto costo y la complejidad de la evaluación en hospitales agravan la carga psicológica de los pacientes. Además, los estudios existentes se centran principalmente en la identificación de subcategorías individuales y carecen de atención a la explicabilidad del modelo. Estos enfoques no abordan adecuadamente la complejidad de las demandas clínicas. La evaluación temprana de los TM utilizando señales de EEG y técnicas de aprendizaje profundo ha demostrado ser simple y efectiva. Con este fin, construimos una Red de Doble Rama (RDR) aprovechando las características del Electroencefalograma Cuantitativo en estado de reposo (QEEG). La RDR está diseñada para permitir la detección de múltiples categorías de TM. En primer lugar, se diseñó una estrategia de extracción de características de doble rama para capturar características latentes multidimensionales. Además, proponemos un Mecanismo de Atención Multi-Cabeza (MAMC) que integra el enrutamiento dinámico. Esta arquitectura asigna mayores pesos a elementos clave y mejora la eficiencia de transmisión de información. Finalmente, el diagnóstico se deriva de una capa completamente conectada. Además, incorporamos el análisis SHAP para facilitar la atribución de características. Esta técnica aclara la contribución de características significativas a la detección de TM y mejora la transparencia de las predicciones del modelo. Los resultados experimentales demuestran la efectividad de la RDR en la detección de varias categorías de TM. El rendimiento de la RDR supera al de los modelos tradicionales de aprendizaje automático. Los estudios de ablación validan aún más la solidez arquitectónica de la RDR. La RDR reduce efectivamente la complejidad de la evaluación y demuestra un potencial significativo para aplicaciones clínicas.