La conectividad funcional en estado de reposo ha sido ampliamente utilizada en los últimos años para predecir la enfermedad de Alzheimer (EA). Sin embargo, el cálculo de correlación convencional no considera diferentes características de bandas de frecuencia que pueden mantener las relaciones originales de conectividad funcional del cerebro. Los trabajos previos se centran en neurodinámicas de bajo orden y manipulan precisamente el rango de frecuencia de banda única de la resonancia magnética funcional en estado de reposo (rs-fMRI). Específicamente utilizan el rango de frecuencia de banda única de rs-fMRI, dejando de lado las neurodinámicas de alto orden. Al crear una red funcional neurodinámica de alto orden que emplea varios niveles de datos de series temporales de rs-fMRI, como slow4, slow5 y rangos de banda completa de (0.027 a 0.08 Hz), (0.01 a 0.027 Hz) y (0.01 a 0.08 Hz), sugerimos un sistema automatizado de diagnóstico de EA para abordar estos desafíos. Combina múltiples modelos de aprendizaje profundo personalizados para proporcionar una evaluación imparcial, y se observa una validación cruzada de diez veces. Hemos determinado que para diferenciar los trastornos de EA de los controles normales, se aplican los rangos de banda completa y slow4 y slow5, denominados enfoques de bandas de frecuencia más alta y más baja. El primer método utiliza SVM y KNN para tratar las enfermedades de EA. El segundo método utiliza bloques personalizados de Alexnet e Inception con conjuntos de datos de rs-fMRI de las organizaciones ADNI. También probamos otros enfoques de aprendizaje automático y profundo modificando varios parámetros y logramos buenos niveles de precisión. Nuestro modelo propuesto logra un buen rendimiento utilizando tres bandas sin ninguna selección de características externas. Los resultados muestran que nuestro sistema logra un rendimiento de precisión (96.61%)/AUC (0.9663) en la diferenciación de los sujetos con EA de los controles normales. Además, las buenas precisiones en la clasificación de múltiples etapas de EA muestran el potencial de nuestro método para el valor clínico de la predicción de EA.