Para monitorear a los pacientes con depresión, se deben desarrollar herramientas de diagnóstico objetivas que apliquen biosignales y muestren una alta repetibilidad y eficiencia. Aunque diferentes modelos pueden ayudar a aprender automáticamente características discriminativas, la adopción inapropiada de formas de entrada y estructuras de red puede causar degradación del rendimiento. Por lo tanto, el objetivo de este estudio fue evaluar sistemáticamente los efectos de las arquitecturas de redes neuronales convolucionales (CNN) al usar dos entradas comunes de electroencefalografía (EEG) en la clasificación del trastorno depresivo mayor (MDD). Los datos de EEG de 21 pacientes con MDD y 21 controles sanos se obtuvieron de una base de datos de código abierto. Luego se evaluaron cinco hiperparámetros (es decir, número de capas convolucionales, tamaño del filtro, tipo de agrupación, tamaño oculto y tamaño de lote). Finalmente, Grad-CAM y el mapa de saliencia se aplicaron para visualizar los modelos entrenados. Cuando se emplearon señales de EEG crudas, se logró un rendimiento y eficiencia óptimos al utilizar más capas convolucionales y max pooling. Además, cuando se emplearon características mixtas, una capa oculta más grande y un tamaño de lote más pequeño fueron óptimos. En comparación con otras redes complejas, esta configuración implica un número relativamente pequeño de capas y menos tiempo de entrenamiento pero una precisión relativamente alta. Por lo tanto, se puede lograr una alta precisión (>99%) en la clasificación de MDD utilizando una combinación apropiada en un modelo simple.