Las Interfaces Cerebro-Computadora (BCIs) comunican entre un usuario dado y su entorno más cercano a través de señales cerebrales. En el caso del manejo del dispositivo, un BCI preciso basado en el control depende esencialmente de cómo el usuario realiza tareas mentales correspondientes. En la literatura relacionada con el analfabetismo en BCI, un sujeto podría realizar mejor un paradigma definido que otro. Por lo tanto, este trabajo tiene como objetivo identificar segmentos de señales de Electroencefalograma (EEG) registradas relacionadas con las tareas motoras ejecutadas e imaginadas para aplicaciones del sistema BCI. El enfoque propuesto implementa filtros de banda de paso y el algoritmo de Análisis de Componentes Independientes Rápidos (FastICA) para separar fuentes independientes de las señales EEG crudas. A continuación, se extraen las características del EEG de los canales seleccionados utilizando parámetros de Hjorth. Finalmente, un clasificador basado en Máquinas de Vectores de Soporte (SVMs) identifica las características motoras ejecutadas e imaginadas. Concretamente, el conjunto de datos Physionet, relacionado con las señales EEG motoras ejecutadas e imaginadas, proporcionó datos de entrenamiento, prueba y validación. Los resultados numéricos nos permiten discriminar entre las tareas motoras ejecutadas e imaginadas con precisión. Por lo tanto, el método propuesto ofrece una alternativa confiable para extraer características del EEG para BCI basado en movimientos ejecutados e imaginados.