Una interfaz cerebro-computadora (BCI) permite a los usuarios controlar dispositivos externos a través de la actividad cerebral. Las técnicas portátiles de neuroimagen, como la imagen de infrarrojo cercano (NIR), son adecuadas para este objetivo. La imagen de NIR se ha utilizado para medir cambios rápidos en las propiedades ópticas del cerebro asociadas con la activación neuronal, es decir, señales ópticas rápidas (FOS) con buena resolución espacio-temporal. Sin embargo, las FOS tienen una relación señal-ruido baja, lo que limita su aplicación en BCI. Aquí, las FOS se adquirieron con un sistema óptico de dominio de frecuencia desde la corteza visual durante la estimulación visual que consistía en una cuña de tablero de ajedrez en rotación, parpadeando a 5 Hz. Utilizamos medidas de conteo de fotones (corriente continua, intensidad de luz DC) y tiempo de vuelo (fase) en dos longitudes de onda de NIR (690 nm y 830 nm) combinadas con un enfoque de aprendizaje automático para una estimación rápida de la estimulación del cuadrante del campo visual. Las características de entrada de un clasificador de máquina de vectores de soporte validado cruzadamente se calcularon como el módulo promedio de la coherencia de wavelet entre cada canal y la respuesta promedio entre todos los canales en ventanas de tiempo de 512 ms. Se obtuvo un rendimiento por encima del azar al diferenciar cuadrantes de estimulación visual (izquierda vs. derecha o arriba vs. abajo) con la mejor precisión de clasificación de ~63% (tasa de transferencia de información de ~6 bits/min) al clasificar los cuadrantes de estimulación superior e inferior utilizando DC a 830 nm. El método es el primer intento de proporcionar una clasificación de retinotopía generalizable basada en FOS, abriendo el camino para el uso de FOS en BCI en tiempo real.