La realidad aumentada es la fusión de componentes virtuales y nuestro entorno real. La visibilidad simultánea de objetos generados y naturales a menudo requiere que los usuarios dirijan su atención selectiva a un objetivo específico que puede ser real o virtual. En este estudio, investigamos si este objetivo es real o virtual utilizando técnicas de aprendizaje automático para clasificar datos electroencefalográficos (EEG) y de seguimiento ocular recopilados en escenarios de realidad aumentada. Una red neuronal convolucional superficial clasificó ventanas de datos EEG de 3 segundos de 20 participantes de manera dependiente de la persona, con una precisión promedio superior al 70% si los datos de prueba y los datos de entrenamiento provenían de diferentes ensayos. Esta precisión podría aumentarse significativamente al 77% utilizando un enfoque de fusión tardía multimodal que incluía los datos de seguimiento ocular registrados. La clasificación de EEG independiente de la persona fue posible por encima del nivel de azar para 6 de 20 participantes. Por lo tanto, la fiabilidad de tal interfaz cerebro-computadora es lo suficientemente alta como para ser tratada como un mecanismo de entrada útil para aplicaciones de realidad aumentada.