La encefalopatía hipóxico-isquémica (HIE) es una condición de lesión cerebral que representa un riesgo significativo para los recién nacidos, pudiendo causar diversos grados de daño al sistema nervioso central. Sus manifestaciones clínicas incluyen dificultad respiratoria, disfunción cardíaca, hipotensión, debilidad muscular, convulsiones y coma. Dado que la HIE representa una lesión cerebral progresiva, la identificación temprana de la extensión del daño y la implementación de un tratamiento adecuado son cruciales para reducir la mortalidad y mejorar los resultados. Los pacientes con HIE pueden enfrentar complicaciones a largo plazo como parálisis cerebral, epilepsia, pérdida de visión y retrasos en el desarrollo. Por lo tanto, la identificación y tratamiento rápidos de los síntomas hipóxico-isquémicos pueden ayudar a reducir el riesgo de secuelas graves en los pacientes. Actualmente, la terapia de hipotermia es uno de los tratamientos más efectivos para los pacientes con HIE. Sin embargo, no todos los recién nacidos con HIE son aptos para esta terapia, por lo que una evaluación rápida y precisa de la extensión de la lesión cerebral es crítica para el tratamiento. Entre los pacientes con HIE, la terapia de hipotermia ha demostrado una mejor eficacia en aquellos diagnosticados con HIE moderada a grave dentro de las 6 horas posteriores al nacimiento, estableciendo este marco de tiempo como el período dorado para el tratamiento. Durante este período dorado, una evaluación precisa de la gravedad de la HIE es esencial para formular estrategias de tratamiento adecuadas y predecir los resultados a largo plazo para los bebés afectados. Este estudio propone un método para abordar el desequilibrio de datos y la interferencia de ruido a través de técnicas de preprocesamiento de datos, incluyendo filtrado y SMOTE. Luego emplea EEGNet, un modelo de aprendizaje profundo diseñado específicamente para la clasificación de EEG, combinado con un modelo Transformer que presenta un mecanismo de atención que sobresale en la captura de características secuenciales a largo plazo para construir el modelo Trans-EEGNet. Este modelo supera a los métodos previos en tiempo de computación y extracción de características, lo que permite una clasificación y evaluación rápida de la gravedad de la HIE en recién nacidos.