En los sistemas de interfaz cerebro-máquina (BMI), el rendimiento de las Redes Neuronales Convolucionales (CNN) entrenadas se ve significativamente influenciado por la calidad de los datos de entrenamiento. Otro problema es el tiempo de entrenamiento de las CNN. Este artículo presenta un enfoque novedoso al combinar el aprendizaje por transferencia y un Algoritmo Genético (GA) para optimizar los datos de entrenamiento de las CNN. El aprendizaje por transferencia se implementa entre diferentes sujetos, y los datos elegidos por el GA tienen como objetivo mejorar el rendimiento de las CNN. Además, los datos seleccionados por el GA arrojan luz sobre la similitud en la actividad cerebral entre los sujetos. Se utilizan dos conjuntos de datos: (1) la Competencia BCI IV, disponible públicamente, en la que los sujetos realizaron tareas de imaginación motora (MI), y (2) el conjunto de datos creado por sujetos sanos de nuestro laboratorio realizando tareas de movimiento motor (MO). Los resultados experimentales indican que los datos cerebrales seleccionados por el GA mejoran la precisión de reconocimiento de la CNN objetivo (TCNN) utilizando una CNN base preentrenada (BCNN). La mejora en la precisión es del 11% y del 4% para la Competencia BCI IV y nuestros conjuntos de datos de laboratorio, respectivamente. Además, los datos de entrenamiento seleccionados por el GA reducen el tiempo de entrenamiento de la CNN. El rendimiento de la CNN entrenada, utilizando aprendizaje por transferencia, se prueba para el control en tiempo real de un manipulador robótico.