La extracción de características juega un papel importante en el aprendizaje automático para el procesamiento de señales, particularmente para la visualización de datos de baja dimensión y análisis predictivo. Los datos de sistemas complejos del mundo real suelen ser de alta dimensión, multiescala y no estacionarios. Extraer características clave de este tipo de datos es un desafío. Este trabajo propone un enfoque novedoso para analizar señales de EEG epilépticas utilizando tanto espectros de potencia de wavelet como análisis de componentes principales funcionales. Nos centramos en cómo el método de extracción de características puede ayudar a mejorar la separación de señales en un subespacio de características de baja dimensión. Al transformar las señales de EEG en espectros de potencia de wavelet, la funcionalidad de las señales se ve significativamente mejorada. Además, la transformación de los espectros de potencia hace que el análisis de componentes principales funcional sea adecuado para extraer características clave de las señales. Por lo tanto, nos referimos a este enfoque como un método de extracción de características doble, ya que tanto la transformación de wavelet como el PCA funcional son extractores de características. Para demostrar la aplicabilidad del método propuesto, lo hemos probado utilizando un conjunto de EEGs epilépticos de acceso público y señales de EEG multicanal específicas de pacientes, tanto para señales ictales como preictales. Los resultados obtenidos demuestran que combinar espectros de potencia de wavelet y análisis de componentes principales funcionales es prometedor para la extracción de características de EEGs epilépticos. Por lo tanto, pueden ser útiles en sistemas médicos basados en computadora para problemas de diagnóstico de epilepsia y detección de convulsiones epilépticas.