Doctor en Ingeniería Eléctrica / La interfaz cerebro computador permite la interacción entre las señales extraídas del cerebro de una persona y su entorno, lo que se logra mediante el procesamiento de estas señales en un computador. Sin embargo, aún no existe consenso respecto a los métodos de análisis y procesamiento de estas señales para una correcta clasificación en tareas de imaginería motora. La presente Tesis propone un nuevo método para optimizar la clasificación de tareas de imaginería motora mediante el uso automatizado de análisis de componentes independientes (ICA) y descomposición de modo empírico (EMD) en la fase de procesamiento de señales de electroencefalografía. La señales utilizadas corresponden a la base de datos pública Physionet. Con el fin de evaluar la eficacia de la clasificación se comparan cuatro clasificadores estadísticos, Máquina de soporte vectorial con optimización mínima secuencial (SMO), Bayes, Dagging y Logistic. Éstos fueron seleccionados considerando las propiedades de las señales de EEG. Las tareas de imaginería motora a clasificar fueron: imaginar abrir y cerrar el puño iz- quierdo, imaginar abrir y cerrar el puño derecho e imaginar reposo de extremidades. Se compararon los resultados de la clasificación para las 3 tareas de imaginería motora usando los cuatro clasificadores con y sin el uso del método propuesto en 102 sujetos de la base de datos. La metodología propuesta demostró que el uso automatizado de ICA y EMD en secuencia es eficaz para mejorar la clasificación de tareas de imaginería motora. Los mejores resultados se obtuvieron con el clasificador Logistic, con un porcentaje de 98,8 % de aciertos en la clasificación, seguido por SMO con 97,7 %, Dagging con 93,9 % y finalmente Bayes con 58,8 %. Además se demostró que existe diferencia estadísticamente significativa al comparar los resultados entre el método propuesto y el método tradicional en los cuatro clasificadores usados.