Las microexpresiones son expresiones faciales muy breves e involuntarias que revelan emociones ocultas, que duran menos de un segundo, mientras que las macroexpresiones son expresiones faciales más prolongadas que se alinean con las emociones conscientes de una persona, típicamente durando varios segundos. Las microexpresiones son difíciles de detectar en videos largos porque tienen amplitudes pequeñas, duraciones cortas y a menudo coexisten junto a macroexpresiones. Sin embargo, el análisis de micro- y macroexpresiones ha despertado interés en los investigadores. Los métodos existentes utilizan características de flujo óptico para capturar las diferencias temporales. Sin embargo, estas características de flujo óptico se limitan a solo dos imágenes sucesivas. Para abordar esta limitación, este documento propone LGNMNet-RF, que integra una Red General Lite con MagFace CNN y un clasificador de Random Forest para predecir intervalos de microexpresiones. Nuestro enfoque aprovecha las Imágenes de Historia de Movimiento (MHI) para capturar patrones temporales en múltiples fotogramas, ofreciendo una representación más completa de la dinámica facial que los métodos basados en flujo óptico, que están restringidos a dos fotogramas sucesivos. La novedad de nuestro enfoque radica en la combinación de MHI con MagFace CNN, que mejora el poder discriminativo de la detección de microexpresiones faciales, y el uso de un clasificador de Random Forest para mejorar la precisión de la predicción de intervalos. Los resultados de la evaluación muestran que este método supera a las técnicas de referencia, logrando F1-scores de microexpresiones de 0.3019 en CAS(ME) y 0.3604 en SAMM-LV. Los resultados de nuestro experimento indican que MHI ofrece una alternativa viable a los métodos basados en flujo óptico para la detección de microexpresiones.