En el campo en evolución de las Interfaces Cerebro-Computadora (BCIs), clasificar con precisión las señales de Electroencefalografía (EEG) para tareas de Imaginería Motora (MI) es un desafío. Introducimos el modelo de Conjunto de Apilamiento Ponderado Optimizado por Correlación (COWSE), un marco innovador de aprendizaje en conjunto diseñado para mejorar la clasificación de señales de EEG de MI. El modelo COWSE integra dieciséis clasificadores de aprendizaje automático a través de un enfoque de apilamiento ponderado, optimizando el rendimiento al equilibrar las fortalezas y debilidades de cada clasificador basándose en el análisis de correlación de errores y la evaluación de métricas de rendimiento en conjuntos de datos de referencia. El desarrollo del modelo COWSE implica seleccionar clasificadores base, asignar pesos dinámicamente según el rendimiento y emplear un meta-clasificador entrenado en estas predicciones ponderadas. Al probarlo en el conjunto de datos BNCI2014-002, el modelo COWSE logró una precisión de clasificación que supera el 98.16%, marcando un avance significativo en la clasificación de EEG de MI. Este estudio destaca el potencial de integrar múltiples clasificadores de aprendizaje automático para abordar los desafíos complejos de la clasificación de señales de EEG. Al alcanzar nuevos puntos de referencia y mostrar capacidades de clasificación mejoradas, el modelo COWSE contribuye significativamente a la investigación de BCI, alentando una mayor exploración de estrategias avanzadas de aprendizaje en conjunto.