La enfermedad de Parkinson (EP) se caracteriza por oscilaciones cerebrales anormales que pueden cambiar rápidamente. El seguimiento de las alteraciones neurales con métodos de monitorización electrofisiológica de alta resolución temporal, como el EEG, puede proporcionar información valiosa sobre las alteraciones observadas en la EP. Al mismo tiempo, ha habido avances en el rendimiento de alta precisión de las redes neuronales profundas (DNN) utilizando datos de pocos pacientes. En este estudio, proponemos un método para transformar datos de EEG en estado de reposo en un espacio latente profundo para clasificar sujetos con EP de casos sanos. Primero utilizamos un método de coherencia dirigida ortogonalizada general (gOPDC) para calcular la conectividad direccional (DC) entre todos los pares de canales de EEG en cuatro bandas de frecuencia (Theta, Alpha, Beta y Gamma) y luego convertimos los mapas de DC en imágenes 2D. Luego utilizamos la arquitectura VGG-16 (entrenada en el conjunto de datos ImageNet) como nuestro modelo preentrenado, enlistamos los pesos de las capas convolucionales como pesos iniciales y ajustamos todos los pesos de las capas con nuestros datos. Después del entrenamiento, la clasificación logró un 99.62% de precisión, 100% de precisión, 99.17% de sensibilidad, una puntuación F1 de 0.9958 y un AUC de 0.9958 promediado para 10 repeticiones aleatorias de entrenamiento/evaluación en la red de aprendizaje profundo por transferencia propuesta (DTL). Utilizando las características latentes aprendidas por la red y empleando la regresión LASSO, encontramos que las características latentes (en contraposición a los valores de DC en bruto) estaban significativamente correlacionadas con cinco índices clínicos medidos rutinariamente: toque de dedos izquierdo y derecho, temblor izquierdo y derecho, y bradicinesia corporal. Nuestros resultados demuestran el poder del aprendizaje por transferencia y la derivación del espacio latente para el desarrollo de biomarcadores oscilatorios en la EP.