Decodificar las intenciones motoras a partir del monitoreo de la actividad cerebral no invasiva es uno de los aspectos más desafiantes en el campo de la Interfaz Cerebro-Computadora (BCI). Esto es especialmente cierto en entornos en línea, donde la clasificación debe realizarse en tiempo real, contextualmente con los movimientos del usuario. En este trabajo, utilizamos una representación de entrada que preserva la topología, la cual se alimenta a una novedosa combinación de redes neuronales profundas 3D-convolucionales y recurrentes, capaces de realizar una clasificación continua de intenciones de movimiento de sujetos en múltiples clases. Nuestro modelo logra una precisión más alta que un modelo relacionado del estado del arte de la literatura, a pesar de ser entrenado en un entorno mucho más restrictivo y utilizando solo una forma simple de preprocesamiento de la señal de entrada. Los resultados sugieren que los modelos de aprendizaje profundo son adecuados para implementarse en aplicaciones desafiantes de BCI en tiempo real, como el reconocimiento de intenciones de movimiento.