Dada su efecto perjudicial en el cerebro, el alcoholismo es un trastorno grave que puede producir una variedad de problemas cognitivos, emocionales y conductuales. El alcoholismo suele diagnosticarse utilizando el enfoque de evaluación CAGE, que tiene inconvenientes como ser extenso, propenso a errores y sesgado. Para superar estos problemas, este documento presenta un nuevo paradigma para identificar el alcoholismo empleando señales de electroencefalograma (EEG). El marco propuesto se divide en varias etapas. Para empezar, las interferencias y artefactos en los datos de EEG se eliminan utilizando un procedimiento de análisis de componentes principales a escala múltiple. Este procedimiento de limpieza contribuye a la mejora de la calidad de la información. En segundo lugar, se diseña una técnica gráfica innovadora basada en los coeficientes de transformada rápida de Fourier fraccionaria para visualizar el carácter caótico y las complejidades de las señales de EEG. Esto aclara las propiedades de las señales de EEG regulares y alcohólicas. En tercer lugar, se extraen treinta y cuatro características gráficas para interpretar el comportamiento caótico de las señales de EEG y diferenciar entre las tendencias regulares y alcohólicas. En cuarto lugar, proponemos un método de selección de características ensambladas para obtener un grupo de características eficaz y fiable. A continuación, estudiamos varios clasificadores de redes neuronales para elegir el clasificador óptimo para construir un marco eficiente. Los hallazgos experimentales muestran que el método propuesto obtiene el mejor rendimiento de clasificación al emplear una red neuronal recurrente (RNN), con un 97.5% de precisión, un 96.7% de sensibilidad y un 98.3% de especificidad para las dieciséis características seleccionadas. El marco propuesto puede ayudar a médicos, empresas y diseñadores de productos a desarrollar un sistema en tiempo real.