En este artículo, proponemos un modelo sustituto basado en aprendizaje profundo para la Descomposición de Modo Empírico Multivariante (MEMD) utilizando redes de Memoria a Largo y Corto Plazo (LSTM), con el objetivo de extraer de manera eficiente Funciones de Modo Intrínseco (IMFs) de señales electroencefalográficas (EEG). A diferencia de los métodos tradicionales basados en datos, nuestro enfoque aprovecha el modelado de secuencias temporales para aprender el proceso de descomposición de manera integral. Además, mejoramos los objetivos de descomposición empleando MEMD Asistido por Ruido (NA-MEMD), que estabiliza la separación de modos y mitiga los efectos de mezcla de modos, lo que conduce a mejores señales de aprendizaje supervisado. Experimentos extensivos con datos sintéticos y reales de EEG demuestran el rendimiento superior del modelo sustituto LSTM propuesto en comparación con redes neuronales feedforward convencionales y objetivos basados en MEMD estándar. Específicamente, el LSTM entrenado con salidas de NA-MEMD logró el menor error cuadrático medio (MSE) y la mayor relación señal-ruido (SNR), superando significativamente la línea base feedforward, incluso cuando se comparó utilizando la Densidad Espectral de Potencia (PSD). Estos resultados confirman la efectividad de combinar arquitecturas LSTM con estrategias de descomposición asistida por ruido para aproximar tareas de análisis de señales no lineales como la MEMD. El modelo sustituto propuesto ofrece una alternativa rápida y precisa a los métodos empíricos clásicos, permitiendo un análisis de EEG en tiempo real y escalable.