El diseño de sistemas de clasificación eficientes de electroencefalograma (EEG) para la detección de estados mentales sigue siendo un problema abierto. Tales sistemas pueden utilizarse para brindar asistencia a los humanos en tareas donde se requiere cierto nivel de alerta, como en cirugía o en la operación de máquinas pesadas, entre otros. En este trabajo, ampliamos un estudio previo donde se propone un sistema de clasificación utilizando un Patrón Espacial Común (CSP) y Análisis Discriminante Lineal (LDA) para la clasificación de dos estados mentales, a saber, un estado relajado y un estado normal. Aquí, proponemos un algoritmo de extracción de características mejorado (Extracción de Características Aumentada con Programación Genética, o FEGP) que mejora los resultados anteriores al emplear una metodología basada en Programación Genética sobre el CSP. El algoritmo propuesto busca transformaciones no lineales que construyen nuevas características y simplifican la tarea de clasificación. Aunque el algoritmo propuesto puede acoplarse con cualquier clasificador, el LDA logra una precisión del 78.8%, la mejor precisión predictiva entre los clasificadores probados, mejorando significativamente los resultados previamente publicados en el mismo conjunto de datos del mundo real.