El trastorno depresivo mayor (TDM) es una enfermedad mental prevalente caracterizada por tristeza persistente, pérdida de interés en actividades y deterioro funcional significativo. Representa graves riesgos para el bienestar físico y psicológico de las personas. La creación de sistemas de diagnóstico automatizado para el TDM es esencial para mejorar la precisión y eficiencia diagnóstica. La electroencefalografía (EEG) ha sido ampliamente utilizada en la investigación diagnóstica del TDM. Sin embargo, los estudios que emplean métodos de aprendizaje profundo aún enfrentan varios desafíos, como la dificultad para extraer información efectiva de las señales de EEG y los riesgos de fuga de datos debido a diseños experimentales. Estos problemas resultan en capacidades de generalización limitadas cuando los modelos se prueban en individuos no vistos, restringiendo así su aplicación práctica. En este estudio, proponemos un enfoque novedoso de aprendizaje profundo, denominado TSF-TDM, que integra información temporal, espacial y en el dominio de frecuencia. TSF-TDM primero aplica un esquema de reconstrucción de datos para obtener una representación temporal-espacial-frecuencial en cuatro dimensiones de las señales de EEG. Estos datos son luego procesados por un modelo basado en 3D-CNN y CapsNet, permitiendo una extracción de características integral en todos los dominios. Finalmente, se emplea una estrategia de particionamiento de datos independiente del sujeto durante el entrenamiento y la prueba para eliminar la fuga de datos. El enfoque propuesto logra una precisión del 92.1%, una precisión del 90.0%, una recuperación del 94.9% y una puntuación F1 del 92.4%, respectivamente, en el conjunto de datos público de Mumtaz2016. Los resultados demuestran que TSF-TDM exhibe un excelente rendimiento de generalización.