El deterioro cognitivo leve (DCL) y la enfermedad de Alzheimer (EA) se asocian frecuentemente con disfunción de la memoria de trabajo (MT), que también se observa en varios trastornos neuropsiquiátricos, incluyendo la depresión, la esquizofrenia y el TDAH. La detección temprana de la disfunción de la MT es esencial para predecir el inicio del DCL y la EA. Los algoritmos basados en inteligencia artificial (IA) se utilizan cada vez más para identificar biomarcadores que detecten cambios sutiles en la MT cargada. Este artículo presenta un enfoque que utiliza electroencefalogramas (EEG), procesamiento de señales en el tiempo-frecuencia y una red neuronal profunda (DNN) para predecir la carga de MT en sujetos normales y diagnosticados con DCL. Las señales de EEG se registraron utilizando una gorra de EEG durante tareas de memoria de trabajo, incluyendo la tarea de golpear bloques y las interfaces visuoespaciales N-back. Los datos fueron filtrados en banda y se utilizó el análisis de componentes independientes para seleccionar los mejores canales de electrodos. Luego, se aplicó el algoritmo de descomposición empírica en modo conjunto (EEMD) a las señales de EEG para obtener las funciones de modo intrínseco (IMFs) en el tiempo-frecuencia. Los métodos EEMD y DNN tienen un mejor rendimiento que los métodos tradicionales de aprendizaje automático, así como las redes neuronales convolucionales (CNN) para la predicción de la carga de MT. Las precisiones de predicción fueron consistentemente más altas tanto para sujetos normales como para sujetos con DCL, promediando un 97.62%. La puntuación Kappa promedio para sujetos normales fue del 94.98% y del 92.49% para sujetos con DCL. Los sujetos con DCL mostraron valores más altos para las oscilaciones beta y alfa en la región frontal que los sujetos normales. La densidad espectral de potencia promedio de las IMFs mostró que las IMFs (p = 0.0469 para sujetos normales y p = 0.0145 para sujetos con DCL) son características robustas y confiables para la predicción de la carga de MT.