Las interfaces cerebro-computadora, donde las señales de electroencefalografía (EEG) de la imaginación motora se transforman en comandos de control, ofrecen una solución prometedora para mejorar el estándar de vida de las personas discapacitadas. Sin embargo, el rendimiento de la clasificación de EEG ha sido limitado en la mayoría de los estudios debido a la falta de atención a la información complementaria inherente en diferentes escalas temporales. Además, la variabilidad interindividual significativa en la sensibilidad al movimiento biológico plantea otro desafío crítico para lograr una clasificación precisa de EEG de manera dependiente del sujeto. Para abordar estos desafíos, proponemos un nuevo marco de aprendizaje automático que combina la fusión de características a múltiples escalas, que captura información espacial global y local de segmentaciones de EEG de diferentes tamaños, y la selección de características basada en Lasso adaptativo, un mecanismo para retener de manera adaptativa características informativas dependientes del sujeto y descartar las irrelevantes. Los resultados experimentales en múltiples conjuntos de datos de referencia públicos revelaron mejoras sustanciales en la clasificación de EEG, logrando tasas del 81,36%, 75,90% y 68,30% para los conjuntos de datos BCIC-IV-2a, SMR-BCI y OpenBMI, respectivamente. Estos resultados no solo superaron las metodologías existentes, sino que también subrayaron la efectividad de nuestro enfoque para superar desafíos específicos en la clasificación de EEG. Los estudios de abstracción confirmaron aún más la eficacia tanto del análisis de características a múltiples escalas como de los mecanismos de selección adaptativa. Este marco marca un avance significativo en la decodificación de señales de EEG de imaginación motora, posicionándolo para aplicaciones prácticas en BCIs del mundo real.