El electroencefalograma (EEG) ha surgido como la fuente más favorable para reconocer trastornos cerebrales como las crisis epilépticas (ES) utilizando métodos de aprendizaje profundo (DL). Este estudio investigó el método de detección de ES basado en EEG que se desempeñó bien al descomponer las señales de EEG. Específicamente, la descomposición en modos empíricos (EMD) descompone las señales de EEG en seis funciones de modo intrínseco (IMFs). Se extrajeron tres características distintas, a saber, el índice de fluctuación, la varianza y el área de la elipse del gráfico de diferencias de segundo orden (SODP), de cada uno de los IMFs. Los valores de las características de todos los canales de EEG se organizaron en dos formas de características compuestas: una forma 1D (es decir, unidimensional) y una forma 2D similar a una imagen. Para el reconocimiento de ES, se consideró la red neuronal convolucional (CNN), el modelo de DL más prominente para entradas 2D, para la forma de características 2D, y se empleó una versión 1D de CNN para la forma de características 1D. El experimento se llevó a cabo en un conjunto de datos de referencia CHB-MIT, así como en un conjunto de datos preparado a partir de las señales de EEG de pacientes con ES del Hospital Prince Khulna (PHK), Bangladesh. El modelo de CNN basado en características 2D superó a los otros modelos basados en características 1D, mostrando una precisión del 99.78% para CHB-MIT y del 95.26% para PHK. Además, las evaluaciones entre conjuntos de datos también mostraron resultados favorables. Por lo tanto, el método propuesto con forma de características compuestas 2D puede ser un método prometedor para la detección de ES.