El accidente cerebrovascular es una de las principales causas de mortalidad en todo el mundo, interrumpe el flujo sanguíneo cerebral, lo que conduce a graves daños cerebrales. Hemiplejía, una consecuencia común, resulta en la pérdida de tareas motoras en un lado del cuerpo. Muchos supervivientes de un accidente cerebrovascular enfrentan discapacidades motoras a largo plazo y requieren una gran rehabilitación. Los electroencefalogramas (EEG) proporcionan un método no invasivo para monitorear la actividad cerebral y se han utilizado en interfaces cerebro-computadora (BCIs) para ayudar en la rehabilitación. Las tareas de imaginería motora (MI), detectadas a través del EEG, son fundamentales para desarrollar BCIs que ayuden a los pacientes a recuperar un propósito motor. Sin embargo, la interpretación de las señales de EEG para tareas de MI sigue siendo un desafío debido a su complejidad y bajo cociente señal-ruido. El objetivo principal de este estudio es centrarse en la optimización de la selección de canales en BCIs basados en EEG específicamente para la rehabilitación de accidentes cerebrovasculares. Determinar los canales de EEG más informativos es crucial para capturar las señales neurales relacionadas con las discapacidades motoras en pacientes con accidentes cerebrovasculares. En este artículo, se propone un método de optimización basado en el algoritmo de murciélagos binarios (BA) para seleccionar los canales más relevantes adaptados a los cambios neurofisiológicos únicos en pacientes con accidentes cerebrovasculares. Este enfoque es capaz de mejorar el rendimiento de la BCI al mejorar la precisión de la clasificación y reducir la dimensionalidad de los datos. Utilizamos atributos de tiempo-entropía-frecuencia (TEF), procesados a través de un análisis de componentes independientes automatizado con transformada wavelet (AICA-WT) para mejorar la claridad de la señal. Los canales y características seleccionados se prueban a través de un clasificador de k-vecinos más cercanos (KNN) utilizando conjuntos de datos públicos de BCI, demostrando una clasificación mejorada de las tareas de MI y el potencial para mejores resultados de rehabilitación.