La actividad eléctrica aumentada en el cerebro causa epilepsia, que provoca convulsiones, resultando en varias complicaciones médicas que a veces pueden ser fatales. Los médicos utilizan la electroencefalografía (EEG) para el perfilado y diagnóstico de la epilepsia. Según la Organización Mundial de la Salud (OMS), aproximadamente 50 millones de personas en todo el mundo tienen epilepsia, lo que la convierte en uno de los trastornos neurológicos más comunes a nivel mundial. Este número representa alrededor del 0.7% de la población mundial. El método convencional de análisis de EEG empleado por profesionales médicos es una investigación visual que es consumidora de tiempo y requiere experiencia debido a la variabilidad en las señales de EEG. Este documento describe un método para detectar convulsiones epilépticas en las señales de EEG mediante la combinación de técnicas de procesamiento de señales y aprendizaje automático. SVM y otras técnicas de aprendizaje automático detectan anomalías en la señal de EEG de entrada. Para extraer características, se utiliza DWT para la descomposición en subbandas. El método propuesto tiene como objetivo mejorar la precisión del modelo de aprendizaje automático utilizando la menor cantidad de características posible. Los resultados de clasificación muestran una precisión del 100% con solo una característica, el valor absoluto medio, de los conjuntos de datos A y E. Con características adicionales, la precisión general sigue siendo alta en un 99%, con valores de especificidad y sensibilidad del 97.2% y 99.1%, respectivamente. Estos resultados superan la investigación previa en el mismo conjunto de datos, demostrando la eficacia de nuestro enfoque. Esta investigación contribuye al desarrollo de sistemas de diagnóstico de epilepsia más precisos y eficientes, mejorando potencialmente los resultados para los pacientes.