Una interfaz cerebro-computadora (BCI) proporciona un camino de comunicación directo entre el cerebro humano y dispositivos externos, permitiendo a los usuarios controlarlos a través del pensamiento. Registra las señales cerebrales y las clasifica en comandos específicos para dispositivos externos. Entre varios clasificadores utilizados en BCI, aquellos que clasifican directamente matrices de covarianza utilizando geometría riemanniana encuentran amplias aplicaciones no solo en BCI, sino también en diversos campos como visión por computadora, procesamiento de lenguaje natural, adaptación de dominio y percepción remota. Sin embargo, los métodos basados en Riemannian existentes presentan limitaciones, incluidos cálculos intensivos en tiempo, susceptibilidad a perturbaciones y desafíos de convergencia en escenarios que involucran matrices de alta dimensionalidad. En este documento, abordamos estos problemas presentando la distancia Bures-Wasserstein (BW) para el análisis de matrices de covarianza y demostrando sus ventajas en aplicaciones de BCI. Se investigan tanto los aspectos teóricos como computacionales de la distancia BW, junto con algoritmos para la estimación de la Media de Fréchet (o baricentro) utilizando la distancia BW. Se realizan simulaciones extensas para evaluar la efectividad, eficiencia y robustez de la distancia BW y el baricentro. Además, al integrar el baricentro BW en el clasificador de Distancia Mínima al Promedio Riemanniano, mostramos su rendimiento de clasificación superior a través de evaluaciones en cinco conjuntos de datos reales.