Las interfaces cerebro-computadora no invasivas basadas en EEG de imaginación motora (miBCI) prometen restaurar efectivamente el control motor a pacientes con discapacidades motoras, por ejemplo, aquellos con lesión de la médula espinal (LME). Sin embargo, todavía es necesario investigar las miBCI, con fines de rehabilitación, para este tipo de pacientes que utilizan dispositivos de adquisición de señales EEG de bajo costo, tales como Emotiv EPOC. En este trabajo, se describe en detalle y se comparan diez arquitecturas miBCI basadas en información de covarianza de señales EEG, adquiridas con Emotiv EPOC, para la decodificación de intención de mano abierta y cerrada en tres sujetos control y dos pacientes con LME cervical. Cuatro de estas diez miBCI usan información de covarianza para construir filtros espaciales y el resto usa la información covarianza como una representación directa de las señales EEG, permitiendo la manipulación directa mediante geometría de Riemann. Como resultado, se encontró que, a pesar de que todas las arquitecturas miBCI tienen una precisión general por encima del nivel de azar, las que utilizan la covarianza como representación directa de las señales EEG junto con clasificadores lineales, superan las miBCI que usan la covarianza para el filtrado espacial, tanto en sujetos de control como en pacientes con LME. Estos resultados sugieren un alto potencial de las miBCI basadas en la geometría de Riemann para la rehabilitación de pacientes con LME, utilizando dispositivos de adquisición de EEG de bajo costo.