Este estudio presenta un enfoque innovador para clasificar las señales de electroencefalograma (EEG) que se producen cuando una persona se concentra en palabras específicas, un área de investigación conocida como” Habla Imaginada”. El EEG captura la actividad eléctrica cerebral mediante un conjunto de sensores colocados en el cuero cabelludo, lo que proporciona información sobre los procesos neuronales relacionados con el pensamiento y la cognición. Sin embargo, clasificar con precisión estas señales plantea desafíos significativos, ya que requiere modelos de aprendizaje automático (ML, por sus siglas en lengua inglesa) para aprender los patrones sutiles y complejos asociados con palabras imaginadas específicas. Las técnicas de clasificaciones tradicionales suelen presentar dificultades en este ámbito debido a la alta variabilidad interindividual, la baja relación señal-ruido y la naturaleza no estacionaria de las señales de EEG. En respuesta, este trabajo propone un nuevo método para mejorar la precisión de la clasificación, centrado en la creación de un vector de características especializado, diseñado para mejorar la capacidad del modelo para diferenciar entre palabras imaginadas. La base de este enfoque es el uso de un algoritmo gen ético que optimiza la selección de características mediante la navegación eficiente a través de un amplio espacio de características. Este algoritmo genético resulta muy ventajoso en este contexto, ya que refina iterativamente el conjunto de características para identificar las más predictivas, maximizando así la precisión de la clasificación. En comparación con otros métodos de selección de características, los algoritmos genéticos son muy adecuados para el procesamiento de señales de EEG gracias a su capacidad para equilibrar la exploración y la explotación, lo que resulta en una combinación de características que supera significativamente a las técnicas existentes. Este método tiene el potencial de mejorar la fiabilidad de la clasificación del habla imaginada, lo que lo convierte en una valiosa contribución a las interfaces cerebro-computadora basadas en EEG y abre la puerta a avances en tecnología de asistencia y comunicación neuronal.