Antecedentes: El electroencefalograma (EEG) es esencial para diagnosticar y clasificar trastornos cerebrales, lo que permite una intervención médica temprana. Su capacidad para identificar anomalías cerebrales ha aumentado su uso clínico en la evaluación de cambios en la actividad cerebral. Los avances recientes en el aprendizaje profundo han introducido métodos efectivos para interpretar señales de EEG, utilizando grandes conjuntos de datos para una precisión mejorada. Objetivo: Este estudio presenta un modelo basado en aprendizaje profundo diseñado para clasificar datos de EEG con una precisión superior en comparación con enfoques existentes. Métodos: El modelo consta de tres componentes clave: selección de datos, extracción de características y clasificación. La selección de datos emplea una técnica de ventaneo, mientras que las etapas de extracción de características y clasificación utilizan un marco de aprendizaje profundo que combina una red neuronal convolucional (CNN) y una red de memoria a corto y largo plazo (LSTM). La arquitectura resultante incluye hasta 18 capas. El modelo fue evaluado utilizando el conjunto de datos del Hospital de la Universidad de Temple (TUH), que comprende datos de 2785 pacientes, asegurando su aplicabilidad en escenarios del mundo real. Resultados: El análisis comparativo de rendimiento muestra que este enfoque supera a los métodos existentes en precisión, sensibilidad y especificidad. Conclusiones: Este estudio destaca el potencial del aprendizaje profundo en mejorar la interpretación de señales de EEG, ofreciendo un camino hacia diagnósticos más precisos y eficientes de trastornos cerebrales para aplicaciones clínicas.