El uso de modalidades biométricas para el reconocimiento de personas es crucial para protegerse contra ataques de impostores. Las modalidades biométricas comúnmente utilizadas, como los escáneres de huellas dactilares y el reconocimiento facial, son efectivas pero pueden ser fácilmente manipuladas y engañadas. Estas desventajas han motivado recientemente el uso de la electroencefalografía (EEG) como una modalidad biométrica para desarrollar un sistema de reconocimiento con un alto nivel de seguridad. La mayoría de los métodos de reconocimiento basados en EEG existentes aprovechan las señales de EEG medidas ya sea desde muchos canales o durante una ventana temporal larga. Ambos limitan su usabilidad como parte de sistemas de seguridad en la vida real. Además, casi todos los métodos disponibles utilizan técnicas diseñadas a mano y no se generalizan bien a datos desconocidos. Los pocos métodos de reconocimiento basados en EEG y en aprendizaje profundo sufren de un problema de sobreajuste, y se deben aprender un gran número de parámetros del modelo a partir de solo una pequeña cantidad de datos de EEG disponibles. Aprovechando los desarrollos recientes en aprendizaje profundo, este estudio aborda estos problemas e introduce un modelo de red neuronal convolucional (CNN) liviano que consiste en un pequeño número de parámetros aprendibles que permiten el entrenamiento y la evaluación del modelo de CNN con una pequeña cantidad de datos de EEG disponibles. Presentamos un sistema de reconocimiento basado en EEG robusto y eficiente utilizando este modelo de CNN. El sistema fue validado en un conjunto de datos de referencia de dominio público y logró un resultado de identificación de rango 1 del 99% y una tasa de error igual de rendimiento de autenticación del 0.187%. El sistema solo requiere dos canales de EEG y una señal medida durante una ventana temporal corta de 5 s. En consecuencia, este método puede ser utilizado en entornos de la vida real para identificar o autenticar sistemas de seguridad biométrica.