Los recientes avances en la decodificación de señales de electroencefalograma (EEG) para tareas de imaginación motora han mostrado un potencial significativo. Sin embargo, las intrincadas dinámicas tiempo-frecuencia y la redundancia inter-canal de las señales de EEG siguen siendo desafíos clave, que a menudo limitan la efectividad de los métodos de extracción de características a escala única. Para abordar este problema, proponemos la Red de Atención Auto-Bloqueada de Doble Rama (DB-BISAN), un nuevo marco de aprendizaje profundo para la clasificación de la imaginación motora en EEG. El método propuesto incluye un Módulo de Extracción de Características de Doble Rama diseñado para capturar tanto características temporales como patrones espaciales a través de diferentes escalas. Además, se emplea un novedoso Mecanismo de Atención Auto-Bloqueada para resaltar selectivamente características importantes mientras se minimiza el impacto de la información redundante. Los resultados experimentales muestran que DB-BISAN logra un rendimiento de vanguardia. Además, los estudios de ablación confirman que el Módulo de Extracción de Características de Doble Rama y el Mecanismo de Atención Auto-Bloqueada son críticos para el rendimiento del modelo. Nuestro enfoque ofrece una solución efectiva para la decodificación de la imaginación motora, con un potencial significativo para el desarrollo de interfaces cerebro-computadora eficientes y precisas.