La predicción temprana del inicio del parto es crítica para evitar el riesgo de muerte debido al retraso en el embarazo. Los países de bajos ingresos a menudo luchan por brindar un servicio oportuno a las mujeres embarazadas debido a la falta de infraestructura y servicios de salud, lo que resulta en complicaciones del embarazo y, eventualmente, la muerte. En este sentido, se han propuesto varios métodos basados en inteligencia artificial basados en la detección de contracciones utilizando señales de electrohisterograma (EHG). Sin embargo, la predicción de contracciones durante el embarazo basada en señales EHG en tiempo real es una tarea desafiante. Este estudio propone un modelo novedoso basado en el análisis de expansión de bases neuronales para series temporales interpretables (N-BEATS) que predice el parto basado en la predicción de EHG y clasificación de contracciones en un horizonte temporal dado. La base de datos TPEHG de Physiobank, disponible públicamente, fue explotada para entrenar y probar el modelo, donde se recopilaron señales de mujeres embarazadas a término completo y señales registradas después de las 26 semanas de gestación. Para estas señales, se calcularon los 30 parámetros de clasificación más comúnmente utilizados en la literatura, y se utilizó el análisis de componentes principales (PCA) para seleccionar los 15 parámetros más representativos (de todos los dominios combinados). Los resultados muestran que el análisis de expansión de bases neuronales para series temporales interpretables (N-BEATS) puede predecir señales EHG a través del entrenamiento después de pocas iteraciones. De manera similar, la duración de la señal de predicción se determina por la longitud de las grabaciones. Luego implementamos XG-Boost, que logró una precisión de clasificación del 99 por ciento, superando a los enfoques de vanguardia utilizando un número de características de clasificación mayor o igual a 15.