La clasificación precisa de los temblores es crucial para una gestión y tratamiento efectivos de los pacientes. Sin embargo, los diagnósticos clínicos a menudo se ven obstaculizados por diagnósticos erróneos, lo que requiere el desarrollo de métodos técnicos robustos. Aquí, presentamos un sistema basado en una red neuronal convolucional (CNN) de dos etapas para clasificar el temblor fisiológico, el temblor esencial (ET) y el temblor de la enfermedad de Parkinson (PD). Utilizando señales de aceleración de las manos de 408 pacientes, nuestro sistema emplea tanto características de señal motivadas médicamente como datos (casi) en bruto (mediante espectrogramas) como entradas del sistema. Nuestro modelo utiliza un enfoque híbrido de métodos basados en datos y en características para aprovechar las fortalezas de ambos mientras mitiga sus debilidades. Al incorporar diversas técnicas de aumento de datos para el entrenamiento del modelo, logramos una precisión general del 88.12%. Este enfoque prometedor demuestra una mayor precisión en la discriminación entre los tres tipos de temblores, allanando el camino para un diagnóstico de temblores más preciso y una mejor atención al paciente.