Recientemente, las señales de EEG de imaginación motora se han aplicado ampliamente en Interfaces Cerebro-Computadora (BCI). Estas señales se observan típicamente en la corteza motora primaria del cerebro, resultantes de la imaginación de movimientos de miembros corporales. Para sistemas BCI no invasivos, no es evidente cómo localizar los electrodos, optimizando la precisión para una tarea específica. Este estudio propone un análisis comparativo de señales de canal que explota la técnica de Aprendizaje Profundo (DL) y un conjunto de datos público para localizar los canales más discriminantes. Los canales de EEG suelen seleccionarse en función de la ubicación y nomenclatura de los electrodos de acuerdo con estándares internacionales. En cambio, la configuración más adecuada para un paradigma dado debe determinarse analizando la selección adecuada de los canales. Por lo tanto, se implementó una red EEGNet para clasificar señales de diferentes ubicaciones de canal utilizando la métrica de precisión. Los resultados obtenidos se contrastaron luego con los resultados del estado del arte. Como resultado, el método propuesto mejoró la precisión de clasificación de BCI.