La electroencefalografía (EEG) es un tipo de datos de series temporales típico. Diseñar un modelo de detección automática para EEG es de gran importancia para el diagnóstico de enfermedades. Por ejemplo, el EEG se destaca como una de las herramientas de diagnóstico más potentes para la detección de epilepsia. Un sinfín de estudios han utilizado el EEG para detectar y clasificar la epilepsia, sin embargo, estas investigaciones presentan ciertas limitaciones. En primer lugar, la mayoría de las investigaciones existentes se centran en las etiquetas de las señales de EEG segmentadas, descuidando las etiquetas de epilepsia asociadas con cada paso de tiempo en la señal original de EEG, a lo que denominamos etiquetas detalladas. En segundo lugar, la mayoría de estos estudios utilizan gráficos estáticos para representar las características espaciales del EEG, ignorando así la interacción dinámica entre los canales de EEG. En consecuencia, es posible que no se capture la naturaleza eficiente de las estructuras de EEG. En respuesta a estos desafíos, proponemos un nuevo marco de detección y clasificación de convolución de gráficos temporales dinámicos (DTGCN). Este método está diseñado específicamente para modelar las interdependencias en las dimensiones temporales y espaciales dentro de las señales de EEG. El modelo DTGCN propuesto incluye una capa de atención de convulsiones única concebida para capturar los patrones de distribución y difusión de la epilepsia. Además, el modelo incorpora una capa de aprendizaje de estructura de gráficos para representar la estructura de gráficos en evolución dinámica inherente en los datos. Evaluamos rigurosamente el modelo DTGCN propuesto utilizando un conjunto de datos públicamente disponible sustancial, TUSZ, que consta de 5499 EEG. Los resultados experimentales subsiguientes demostraron de manera convincente que el modelo DTGCN superó a los métodos existentes de vanguardia en términos de eficiencia y precisión tanto para las tareas de detección como de clasificación de convulsiones.