La epilepsia es una enfermedad neurológica crónica caracterizada por una gran explosión eléctrica que es excesiva e incontrolada, según la definición de la Organización Mundial de la Salud. Es una anomalía que afecta a personas de todas las edades. Un electroencefalograma (EEG) de la actividad cerebral es un método ampliamente conocido diseñado como referencia dedicada al estudio de las convulsiones epilépticas y para registrar los cambios en la actividad eléctrica cerebral. Por lo tanto, la predicción y detección temprana de la epilepsia es necesaria para proporcionar intervenciones preventivas oportunas que permitan a los pacientes aliviarse de las consecuencias dañinas de las convulsiones epilépticas. A pesar de décadas de investigación, la predicción de estas convulsiones con precisión sigue siendo un problema sin resolver. En este artículo, hemos propuesto cinco modelos de aprendizaje profundo en conjuntos de datos de electroencefalograma intracraneal (iEEG) con el objetivo de predecir automáticamente las convulsiones epilépticas. Los modelos propuestos se basan en el modelo de Red Neuronal Convolucional (CNN), la fusión de dos CNN (2-CNN), la fusión de tres CNN (3-CNN), la fusión de cuatro CNN (4-CNN) y el aprendizaje por transferencia con ResNet50. Los resultados experimentales muestran que nuestros métodos propuestos basados en 3-CNN y 4-CNN dieron los mejores valores. Ambos logran un valor de precisión del 95%. Finalmente, nuestros métodos propuestos se comparan con estudios previos, que confirman que el rendimiento de la predicción de convulsiones mejoró significativamente.