La integración de sistemas de control avanzados en prótesis requiere la identificación precisa de las actividades de locomoción humana, una tarea que puede beneficiarse significativamente de las mediciones basadas en EEG combinadas con técnicas de aprendizaje automático. La principal contribución de este estudio es el desarrollo de un nuevo marco para el reconocimiento y clasificación de actividades de locomoción utilizando datos de electroencefalografía (EEG) al comparar el rendimiento de diferentes algoritmos de aprendizaje automático. Se recopilaron datos de los movimientos de las extremidades inferiores durante la caminata en terreno nivelado, así como al subir escaleras, bajar escaleras, subir rampas y bajar rampas de 10 voluntarios sanos. Se extrajeron características en el dominio del tiempo y la frecuencia aplicando análisis de componentes independientes (ICA). Posteriormente, se utilizaron para entrenar y probar algoritmos de bosque aleatorio y k-vecinos más cercanos (kNN). Para la clasificación, el bosque aleatorio se reveló como el de mejor rendimiento, logrando una precisión general de hasta el 92%. Los hallazgos de este estudio contribuyen al campo de la robótica asistencial al confirmar que las mediciones basadas en EEG, cuando se combinan con modelos de aprendizaje automático apropiados, pueden servir como entradas robustas para los sistemas de control de prótesis.