Este estudio explora la aplicación de redes neuronales para la detección de anomalías en datos de series temporales que presentan propiedades fractales, con un enfoque particular en cambios en el exponente de Hurst. El objetivo es investigar si los cambios en las propiedades fractales pueden ser identificados al pasar del análisis de la serie temporal original al análisis de la secuencia de estimaciones del exponente de Hurst. Para ello, empleamos una red neuronal autoencoder LSTM, demostrando su efectividad en la detección de anomalías dentro de series temporales fractales sintéticas y señales reales de EEG al identificar desviaciones en la secuencia de estimaciones. El método de Whittle se utilizó para la estimación precisa del exponente de Hurst, mejorando así la capacidad del modelo para diferenciar entre datos normales y anómalos. Los hallazgos subrayan el potencial de las técnicas de aprendizaje automático para una detección robusta de anomalías en conjuntos de datos complejos.