Con el aumento de la población envejecida, la disminución de la capacidad cognitiva espacial se ha convertido en un problema crítico que afecta la calidad de vida de las personas mayores. El análisis de señales de electroencefalograma (EEG) presenta un potencial sustancial en evaluaciones cognitivas espaciales. Sin embargo, los métodos convencionales luchan por clasificar eficazmente los estados cognitivos espaciales, especialmente en tareas que requieren la discriminación de múltiples clases de estados cognitivos antes y después del entrenamiento. Este estudio propone un enfoque novedoso para la clasificación de señales de EEG, utilizando la Información Mutua Condicional de Permutación (PCMI) para la extracción de características y un modelo de Red Neuronal Convolucional de Excitación Sincronizada a Múltiples Escalas (MSSECNN) para la clasificación. Específicamente, el MSSECNN clasifica estados cognitivos espaciales en dos clases: antes y después del entrenamiento cognitivo, basándose en características de EEG. Primero, el PCMI extrae características espaciales no lineales, generando matrices de características espaciales en diferentes canales. SENet luego pondera adaptativamente estas características, destacando los canales clave. Finalmente, el modelo MSCNN captura características locales y globales utilizando núcleos de convolución de diferentes tamaños, mejorando la precisión y robustez de la clasificación. Este estudio valida sistemáticamente el modelo utilizando datos de entrenamiento cognitivo de un coche controlado por el cerebro y tareas de UAV operadas manualmente, con evaluaciones de estados cognitivos realizadas a través de juegos de cognición espacial combinados con señales de EEG. Los hallazgos experimentales demuestran que el modelo propuesto supera significativamente a los métodos tradicionales, ofreciendo una precisión de clasificación superior, robustez y capacidades de extracción de características. Las ventajas del modelo MSSECNN en la clasificación de estados cognitivos espaciales proporcionan un apoyo técnico valioso para la identificación temprana y la intervención en la disminución cognitiva.