Antecedentes: La Enfermedad de Alzheimer (EA) destaca como una de las principales causas de demencia en todo el mundo y representa alrededor del 65% de todos los casos de demencia, afectando principalmente a personas de edad avanzada. La EA se compone de tres etapas evolutivas: Deterioro Cognitivo Leve (DCL), EA Leve y Moderada (EAM) y EA Avanzada (EAA). Es crucial crear una herramienta para asistir en el diagnóstico de la EA en sus primeras etapas con el objetivo de detener la progresión de la enfermedad. Métodos: El propósito principal de este estudio es desarrollar un sistema con la capacidad de diferenciar cada etapa de la enfermedad mediante Señales Electroencefalográficas (EEG). Por lo tanto, se realizó un análisis multi-banda no lineal de EEG mediante Paquetes de Onditas que permitió extraer varias características de cada grupo de estudio. Se han utilizado métodos clásicos de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL) para la clasificación de datos por canal de EEG. Resultados: Las máximas precisiones obtenidas fueron 78.9% (Controles sanos (C) vs. DCL), 81.0% (C vs. EAM), 84.2% (C vs. EAA), 88.9% (DCL vs. EAM), 93.8% (DCL vs. EAA), 77.8% (EAM vs. EAA) y 56.8% (Todos vs. Todos). Conclusiones: El método propuesto supera a estudios previos con la misma base de datos en un 2% en la comparación binaria DCL vs. EAM y las regiones cerebrales central y parietal revelaron actividad anormal a medida que avanza la EA.