En los últimos años, el desarrollo de modelos adaptativos para adaptar el contenido instructivo a los estudiantes midiendo su carga cognitiva se ha convertido en un tema de investigación activa. La neblina cerebral, también conocida como confusión, es una causa común de bajo rendimiento, y la detección en tiempo real de la confusión es una tarea desafiante e importante para aplicaciones en educación en línea y detección de fatiga del conductor. En este estudio, proponemos un método de aprendizaje profundo para el reconocimiento de la carga cognitiva basado en señales de electroencefalografía (EEG) utilizando una red de memoria a corto y largo plazo (LSTM) con un mecanismo de atención. Obtenemos datos de señales EEG de una base de datos de información de ondas cerebrales y datos asociados a la carga mental. Evaluamos el rendimiento de la técnica LSTM propuesta en comparación con modelos de bosque aleatorio, Adaptive Boosting (AdaBoost), máquina de vectores de soporte, eXtreme Gradient Boosting (XGBoost) y redes neuronales artificiales. Los resultados experimentales demostraron que el enfoque propuesto tuvo la mayor precisión del 87.1% en comparación con la de otros algoritmos, incluidos bosque aleatorio (64%), AdaBoost (64.31%), máquina de vectores de soporte (60.9%), XGBoost (67.3%) y modelos de redes neuronales artificiales (71.4%). Los resultados de este estudio respaldan el desarrollo de un sistema de aprendizaje adaptativo personalizado diseñado para medir y responder activamente a la carga cognitiva de los estudiantes en tiempo real utilizando sistemas EEG portátiles inalámbricos.