La predicción de convulsiones es un desafío crítico en el manejo de la epilepsia, ofreciendo el potencial de mejorar los resultados del paciente a través de intervenciones oportunas. Este estudio propone un marco novedoso que combina una red neuronal convolucional (CNN) basada en EfficientNet-B0 y un conjunto de seis Máquinas de Vectores de Soporte (SVMs) con un mecanismo de votación para una predicción robusta de convulsiones. El marco aprovecha la Transformada de Fourier de Tiempo Corto (STFT) normalizada y características de correlación de canales extraídas de señales de EEG para capturar información tanto espectral como espacial. La metodología fue validada en el conjunto de datos CHB-MIT en ventanas preictales de 10, 20 y 30 minutos, logrando precisión de 96.12%, 94.89% y 94.21%, y sensibilidades de 95.21%, 93.98% y 93.55%, respectivamente. Al comparar los resultados con métodos de última generación, resaltamos la robustez y adaptabilidad del marco. El respaldo de EfficientNet-B0 garantiza alta precisión con eficiencia computacional, mientras que el conjunto de SVMs mejora la confiabilidad de la predicción al mitigar el ruido y la variabilidad en los datos de EEG.