Las redes neuronales bayesianas (BNNs) son herramientas efectivas para una variedad de tareas que permiten la estimación de la incertidumbre del modelo. Dado que las BNNs utilizan restricciones previas en los parámetros, están mejor regularizadas y son menos propensas al sobreajuste, lo cual es un problema serio para las interfaces cerebro-computadora (BCIs), donde típicamente solo se dispone de conjuntos de datos de entrenamiento pequeños. Aquí, probamos en el conjunto de datos de imaginación motora de la Competencia BCI IV 2a si el rendimiento de los clasificadores de redes neuronales ampliamente utilizados y efectivos, EEGNet y Shallow ConvNet, puede mejorarse convirtiéndolos en BNNs. La precisión de hecho fue mayor, al menos para un BNN basado en Shallow ConvNet con dos de las tres distribuciones previas probadas. También evaluamos si la estimación de incertidumbre basada en BNNs podría utilizarse como una herramienta para la detección de datos fuera del dominio (OOD). La detección de OOD funcionó bien solo en ciertos participantes; sin embargo, esperamos que el desarrollo adicional del método pueda hacer que funcione lo suficientemente bien para aplicaciones prácticas.