La epilepsia neonatal es un trastorno cerebral postnatal temprano, y la detección automática de convulsiones es crucial para un diagnóstico y tratamiento oportunos para reducir el daño cerebral potencial. Este trabajo propone una nueva Red de Múltiple Atención Ligera, LMA-EEGNet, para diagnosticar convulsiones epilépticas neonatales a partir de señales de EEG de múltiples canales empleando convolución separable en profundidad dilatada (DDS Conv) para extracción de características y utilizando convolución puntual seguida de agrupación promedio global para clasificación. El enfoque propuesto reduce sustancialmente el tamaño del modelo, el número de parámetros y la complejidad computacional, lo cual es crucial para la detección en tiempo real y el diagnóstico clínico de convulsiones epilépticas neonatales. LMA-EEGNet integra características temporales y espectrales a través de ramas temporales y espectrales distintas. La rama temporal utiliza DDS Conv para extraer características temporales, mejoradas por un mecanismo de atención de canal. La rama espectral utiliza convoluciones similares junto con un mecanismo de atención espacial para resaltar componentes de frecuencia clave. Las salidas de ambas ramas se fusionan y se procesan a través de una capa de convolución puntual y una capa de agrupación promedio global para una detección eficiente de convulsiones neonatales. Los resultados experimentales muestran que nuestro modelo, con solo 2471 parámetros y un tamaño de 23 KB, logra una precisión del 95.71% y un AUC de 0.9862, demostrando su potencial para un despliegue práctico. Este estudio proporciona una solución efectiva de aprendizaje profundo para la detección temprana de convulsiones epilépticas neonatales, mejorando la precisión diagnóstica y la puntualidad.