Una preponderancia de publicaciones de interfaces cerebro-computadora (BCI) que proponen redes neuronales artificiales para la clasificación de señales de electroencefalografía (EEG) de imaginación motora (MI) utilizan uno de los conjuntos de datos de la Competencia BCI. Sin embargo, estas bases de datos abarcan datos de EEG de MI de un número limitado de sujetos, típicamente menos de o igual a 10. Además, los algoritmos suelen incluir solo un filtrado de paso de banda como medio para reducir el ruido y aumentar la calidad de la señal. En este estudio, realizamos un análisis comparativo de cinco redes neuronales de renombre (Shallow ConvNet, Deep ConvNet, EEGNet, EEGNet Fusion y MI-EEGNet) utilizando bases de datos de acceso abierto con un mayor grupo de sujetos en conjunto con el conjunto de datos BCI Competition IV 2a para obtener resultados estadísticamente significativos. Empleamos el algoritmo FASTER para eliminar artefactos del EEG como paso de procesamiento de señales y exploramos el potencial del aprendizaje por transferencia para mejorar los resultados de clasificación en datos filtrados de artefactos. Nuestro objetivo era clasificar las redes neuronales; por lo tanto, además de la precisión de clasificación, introdujimos dos métricas complementarias: mejora de precisión desde el nivel de azar y el efecto del aprendizaje por transferencia. La primera es aplicable a bases de datos con diferentes números de clases, mientras que la segunda puede resaltar redes neuronales con capacidades de generalización robustas. Nuestras métricas indicaron que los investigadores no deberían pasar por alto Shallow ConvNet y Deep ConvNet, ya que pueden superar a los miembros publicados posteriormente de la familia EEGNet.