It is challenging to design an electroencephalogram (EEG) signal representation that efficiently represents input information to a convolutional neural network (CNN). CNN has been successfully applied to naturally represented two-dimensional data, such as images, however EEGs are time series. In this work, a new two-dimensional representation of EEG signals was developed, which makes it possible to take advantage of the success of CNNs in images. The model classifies EEG signals from motor imagery or mental calculation; the preprocessing consisted of applying the common average reference (CAR) and an 8- 30Hz band pass filter. Two representations were proposed which are spectrograms with the short-time Fourier transform (STFT) and scalograms with the continuous wavelet transform (CWT). Two classifiers were used: CNN-2D and CNN-2D + LSTM. The neural networks used, in addition to automatically extracting features, also classify the EEG signal. Unlike other models, in this work the same pre-processing, the same number of channels and the same network architecture was used for all subjects in each data set. The accuracy results were 71.34 % for BCI IV-2a (four classes), 80.71 % for BCI IV-2a (two classes), 73.82 % for BCI IV-2b, 83.57 % for BCI II-III and 82.10 % for mental calculation. In addition to obtaining competitive results with the state of the art, the training and prediction time of the proposed CNNs was very low.Es un reto diseñar una representación de señales de electroencefalograma (EEG) que represente eficientemente la información de entrada a una red neuronal convolucional (CNN). CNN se ha aplicado exitosamente para datos naturalmente representados en dos dimensiones, tales como imágenes, sin embargo, EEG son series de tiempo. En este trabajo se desarrolló una nueva representación bidimensional de señales EEG, que permite aprovechar el éxito de las CNNs en imágenes. El modelo clasifica señales EEG de imaginación motora o cálculo mental; el preprocesamiento consistió en aplicar la referencia promedio común (CAR) y un filtro pasa banda de 8-30Hz. Se propusieron dos representaciones que son espectrogramas con la transformada de Fourier de tiempo corto (STFT) y escalogramas con la transformada continua wavelet (CWT). Se utilizaron dos clasificadores: CNN-2D y CNN-2D + LSTM. Las redes neuronales utilizadas, además de extraer características automáticamente, también clasifican la señal de EEG. A diferencia de otros modelos, en este trabajo se utilizó el mismo pre-procesamiento, el mismo número de canales y la misma arquitectura de red para todos los sujetos de cada conjunto de datos. Los resultados de accuracy fueron 71.34 % para BCI IV-2a (cuatro clases), 80.71 % para BCI IV-2a (dos clases), 73.82 % para BCI IV-2b, 83.57 % para BCI II-III y 82.10 % para cálculo mental. Además de obtener resultados competitivos con el estado del arte, el tiempo de entrenamiento y predicción de las CNNs propuestas fue muy bajo.