La interfaz cerebro-computadora de imaginería motora (MI-BCI) es una técnica que manipula máquinas externas utilizando actividades cerebrales, y es muy útil para pacientes con esclerosis lateral amiotrófica que no pueden mover sus miembros. Sin embargo, se informa que aproximadamente el 15-30% de los usuarios no pueden modular sus señales cerebrales, lo que resulta en la incapacidad de operar sistemas de BCI de imaginería motora. Por lo tanto, la predicción avanzada del rendimiento de BCI ha llamado la atención de los investigadores, y se han propuesto algunos predictores utilizando la potencia de la banda alfa, así como las potencias de otras bandas espectrales, o la entropía espectral de la electroencefalografía (EEG) en estado de reposo. Sin embargo, estos predictores se basan en un solo estado, como el estado de ojos cerrados o de ojos abiertos; por lo tanto, a menudo pueden ser menos estables o no poder explicar la variabilidad entre/intra-sujetos. En este trabajo, se investigó un predictor modificado del rendimiento de MI-BCI que consideró ambos estados cerebrales (estados de reposo de ojos abiertos y de ojos cerrados) con 41 conjuntos de datos de sesiones de MI-BCI en línea adquiridos de 15 sujetos. Los resultados mostraron que nuestro predictor propuesto y la precisión de clasificación de MI-BCI en línea estaban correlacionados de manera positiva y altamente significativa ( = 0.71, < ), lo que indica que el uso de múltiples estados cerebrales puede producir un predictor más robusto que el uso de un solo estado.