El sistema de interfaz Cerebro-Computadora (BCI) proporciona un canal entre el cerebro y un dispositivo electrónico, para que estos dispositivos sean controlados con la actividad eléctrica del cerebro sin tener que usar el sistema nervioso periférico. Los BCI se utilizan en aplicaciones médicas, por ejemplo, para controlar prototipos neuroprotésico, estos se pueden controlar con diferentes señales de electroencefalografía (EEG), entre las más utilizadas están las ondas P300 y potenciales evocados de estado estable (SSVEP). Las imágenes motoras (MI) son otra variante de señales EEG para la implementación en un sistema BCI, han ganado mucha atención recientemente ya que estas señales codifican la intención de una persona de realizar una acción. En este trabajo, se desarrolló una base de datos con señales IM de 2 personas completamente sanas, adquiridas con la diadema comercial EMOTIV EPOC+ y el software OpenVibe, las 2 personas tenían que imaginar mover la mano izquierda o derecha. Se aplica un preprocesamiento de las señales con la librería MNE en Python y un clasificador con una red neuronal convolucional (CNN), implementando la arquitectura EEGNet desarrollada en TensorFlow para la clasificación de IM de la mano izquierda y derecha. Se realizaron varios experimentos para evaluar el método propuesto, obteniendo un clasificador del 70% para el sujeto 1 y del 77% para el sujeto 2. Para controlar la simulación de prótesis, se cargó el mejor modelo entrenado y se controló con una comunicación serial entre Python y Arduino, para poder tener una representación de simulación de una BCI.