Para abordar las limitaciones inherentes en la robustez de la percepción visual de vehículos aéreos no tripulados (UAV) totalmente autónomos y la alta carga cognitiva asociada con el control manual, este documento propone un marco de control de interfaz cerebro-computadora (BCI) con un humano en el circuito. El sistema integra el potencial evocado visual en estado estable (SSVEP) con técnicas de aprendizaje profundo para crear un paradigma de interacción espaciotemporal dinámico, permitiendo la alineación en tiempo real entre los objetivos visuales y los estímulos de frecuencia. A nivel de percepción, se desarrolla una red YOLOv11 mejorada que incorpora convolución parcial (PConv) y pérdida de intersección de forma sobre unión (Shape-IoU), y se acopla con el algoritmo de seguimiento de múltiples objetos DeepSort. Esta configuración asegura una ejecución de alta velocidad en plataformas de computación en el borde mientras mantiene una cobertura estable de estímulos sobre objetivos dinámicos, proporcionando así un entorno de inducción visual robusto para la decodificación de EEG. A nivel de decodificación neural, se introduce un algoritmo mejorado de análisis de componentes discriminantes de tareas (TDCA-V) para mejorar la estabilidad de detección de señales en condiciones de vuelo no estacionarias. Los resultados experimentales demuestran que dentro de la ventana de tarea de fijación predefinida, el sistema logra un 100% de éxito en mantener la identidad del objetivo (ID). El sistema BCI logró una precisión promedio de reconocimiento de comandos del 91.48% dentro de una ventana de tiempo de 1.0 s, con el algoritmo TDCA-V superando significativamente a los métodos tradicionales de filtrado espacial en escenarios dinámicos. Estos hallazgos demuestran la efectividad del sistema en desacoplar la intención cognitiva humana de la ejecución de la máquina, proporcionando una solución robusta para el control colaborativo humano-máquina.