La electroencefalografía (EEG) es una técnica no invasiva ampliamente utilizada en neurociencia para diagnosticar trastornos neurales y analizar la actividad cerebral. Sin embargo, los artefactos oculares y miogénicos de los movimientos oculares y la actividad muscular facial a menudo contaminan las señales de EEG, comprometiendo la precisión del análisis de señales. Mientras que los modelos de aprendizaje profundo son una opción popular para la limpieza de señales de EEG, la mayoría se enfoca en eliminar artefactos oculares o miogénicos de manera independiente. Este documento presenta un nuevo modelo de limpieza de EEG capaz de manejar la aparición simultánea de ambos artefactos. El modelo utiliza capas convolucionales para extraer características espaciales y una capa completamente conectada para reconstruir señales limpias a partir de características aprendidas. El modelo integra el optimizador Adam, el promedio de agrupamiento y la activación ReLU para capturar y restaurar eficazmente señales de EEG limpias. Demuestra un rendimiento superior, logrando bajas pérdidas de entrenamiento y validación con un valor significativamente reducido de 0.35 en los dominios temporal y espectral. Un alto coeficiente de correlación cruzada de 0.94 con las señales de EEG de referencia confirma la fidelidad del modelo. En comparación con las arquitecturas y modelos existentes (FPN, UNet, MCGUNet, LinkNet, MultiResUNet3+, Simple CNN, Complex CNN) en una variedad de valores de relación señal-ruido, el modelo muestra un rendimiento superior en la eliminación de artefactos. También mitiga el sobreajuste, subrayando su robustez en la supresión de artefactos.