La imaginería motora (MI) de las señales cerebrales humanas puede diagnosticar o ayudar en actividades físicas específicas para rehabilitación, recreación, control de dispositivos y asistencia tecnológica. Es un estado dinámico en el aprendizaje y práctica del seguimiento del movimiento cuando una persona imita mentalmente una actividad física. Recientemente, se ha determinado que una interfaz cerebro-computadora (BCI) puede respaldar este tipo de rehabilitación neurológica o práctica mental de la acción. En este contexto, se han capturado datos de MI a través de electroencefalogramas no invasivos (EEGs), y se espera que los BCI basados en EEG sean una tecnología innovadora tanto clínica como recreativa. Sin embargo, determinar un conjunto de características eficientes y relevantes para el paso de clasificación fue un desafío. En este documento, nos enfocamos específicamente en la extracción de características, la selección de características y estrategias de clasificación basadas en datos de MI-EEG. En un dominio de BCI basado en MI, las métricas de covarianza pueden desempeñar roles importantes en la extracción de características discriminatorias de los conjuntos de datos de EEG.