La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo progresivo caracterizado por alteraciones motoras y cognitivas. La detección temprana es crucial para una intervención efectiva, pero los métodos de diagnóstico actuales a menudo carecen de precisión y generalización. La electroencefalografía (EEG) ofrece un medio no invasivo para monitorear la actividad neural, revelando oscilaciones cerebrales anormales vinculadas a la patología de la EP. Sin embargo, los modelos de aprendizaje profundo para el análisis de EEG a menudo tienen dificultades para equilibrar una alta precisión con una generalización robusta en diversas poblaciones de pacientes. Para superar estos desafíos, este estudio propone un modelo secuencial mejorado con transformador convolucional (CTESM), que integra redes neuronales convolucionales, bloques de atención de transformadores y capas de memoria a corto y largo plazo para capturar características espaciales, temporales y secuenciales del EEG. Mejorado por técnicas de extracción de características informadas biológicamente, incluido el análisis de potencia espectral, relaciones de bandas de frecuencia, transformadas de onda y medidas estadísticas, el modelo fue entrenado y evaluado en un conjunto de datos de EEG disponible públicamente que comprende 31 participantes (15 con EP y 16 controles sanos), registrados utilizando 40 canales a una velocidad de muestreo de 500 Hz. El CTESM logró una precisión de clasificación excepcional del 99.7% y demostró una fuerte generalización en conjuntos de datos de prueba independientes. Una evaluación rigurosa a lo largo de fases de entrenamiento, validación y pruebas distintas confirmó la robustez, estabilidad y precisión predictiva del modelo. Estos resultados destacan el potencial del CTESM para su implementación clínica en el diagnóstico temprano de la EP, permitiendo intervenciones terapéuticas oportunas y mejores resultados para los pacientes.