Las señales de electroencefalografía (EEG) de imaginación motora (MI) son ampliamente utilizadas en sistemas BCI. Las tareas de MI se realizan imaginando hacer una tarea específica y clasificando la MI a través del procesamiento de señales EEG. Sin embargo, es una tarea desafiante clasificar con precisión las señales EEG. En este estudio, proponemos un marco de clasificación basado en LSTM para mejorar la precisión de clasificación de las señales MI de cuatro clases. Para obtener datos de señales EEG variables en el tiempo, se utiliza una técnica de ventana deslizante, y se aplica un FBCSP basado en bandas superpuestas para extraer las características espaciales específicas del sujeto. Los resultados experimentales en el conjunto de datos 2a de la competencia BCI IV mostraron una precisión promedio del 97% y un valor kappa de 0.95 en todos los sujetos. Se demuestra que el método propuesto supera a los algoritmos existentes para clasificar la EEG de MI de cuatro clases, y también ilustra la robustez en la variabilidad entre ensayos y entre sesiones de los datos de MI. Además, los resultados experimentales extendidos para la selección de canales mostraron el mejor rendimiento de precisión de clasificación al usar los veintidós canales con el método propuesto, pero se logró un valor kappa promedio de 0.93 con solo siete canales.