Los niños con Trastorno del Espectro Autista (TEA) a menudo experimentan dificultades cognitivas que impactan el aprendizaje. Este estudio explora el uso de datos de electroencefalograma recopilados con la diadema MUSE 2 durante sesiones cognitivas basadas en tareas para entender cómo cambian los estados cognitivos en niños con TEA a través de tres tareas estructuradas: Emparejamiento de Formas, Clasificación de Formas y Emparejamiento de Números. Tras el preprocesamiento de señales utilizando Análisis de Componentes Independientes (ICA), se extrajo la potencia a través de varias bandas de frecuencia utilizando el método de Welch. Estas características se utilizaron para analizar los estados cognitivos en niños con TEA en comparación con compañeros en desarrollo típico (TD). Para capturar cambios dinámicos en la atención a lo largo del tiempo, se aplicó la transformada de wavelet de Morlet, revelando patrones de señales cerebrales distintos. Luego se desarrollaron clasificadores de aprendizaje automático para distinguir con precisión entre los grupos de TEA y TD utilizando los datos de EEG. Los modelos incluyeron Máquina de Vectores de Soporte, K-Vecinos Más Cercanos, Bosque Aleatorio, un método de Conjunto y una Red Neuronal. Entre estos, el método de Conjunto logró la mayor precisión con un 0.90. Se realizó un análisis de importancia de características para identificar las características de EEG más influyentes que contribuyen al rendimiento de clasificación. Basado en estos hallazgos, se generó un mapa de TEA para resaltar visualmente las regiones clave de EEG asociadas con patrones cognitivos relacionados con el TEA. Estos hallazgos destacan el potencial de los modelos basados en EEG para capturar patrones neuronales y de atención específicos del TEA durante el aprendizaje, apoyando su aplicación en el desarrollo de enfoques educativos más personalizados. Sin embargo, debido al tamaño de muestra limitado y la heterogeneidad de los participantes, estos hallazgos deben considerarse exploratorios. Se necesitan estudios futuros con muestras más grandes para validar y generalizar los resultados.