Las señales Electroencefalográficas (EEG) son aquellas derivadas de la actividad eléctrica del cerebro, son captadas a través del uso de electrodos, los cuales se colocan sobre el cuero cabelludo empleando una solución que sirve de interfaz para mejorar la conductividad eléctrica, (Hramov, Maksimenko, Pisarchik, 2021). Estas señales son evaluadas en un estudio denominado Electroencefalograma, el cual sirve a los médicos para el diagnóstico de enfermedades y trastornos cerebrales como la epilepsia, trastornos de sueño, trastornos convulsivos, accidentes cerebrovasculares, entre otros. La actividad cognitiva genera diferentes impulsos eléctricos entre las neuronas, los cuales varían en intensidad en función de los procesos cognitivos que tengan lugar en el cerebro o los estímulos a los que esté sometido el individuo, analizando estas señales en el dominio de la frecuencia, es posibles distinguir diferentes ritmos en humanos (Nayak & Anilkumar, 2023), los cuales son: delta, theta, alfa, sigma y beta. La amplitud de las señales EEG es bastante baja, según (Teplan, 2002) su amplitud pico a pico está entre 0.5 a 100 ����, aunque al respecto en (Pawan, 2023) se menciona que pueden alcanzar hasta los 200 ����, que comparado con las señales Electrocardiográficas (ECG) son 100 veces de menor intensidad. Diferentes estudios tienen como elemento principal el análisis y procesamiento de señales EEG, cobrando una especial relevancia en la elaboración de interfaces cerebro computador (BCI), las cuales sirven de puente para lograr comunicarse o posibilitar el control de ayudas aumentativas para personas en condición de discapacidad, por ejemplo, en (Vařeka & Ladouce, 2021) se construyó una BCI basada en P300, que son potenciales pronunciados que se generan en el cerebro con un retraso de 300 ms producto de un estímulo visual, para el control de la navegación espacial en un entorno físico controlado, la estrategia de control consistía en mirar un estímulo visual (flechas) que parpadeaban a una frecuencia particular en una tablet; en (Karunasena, et.al. 2021) se diseña una BCI basada en potenciales visuales evocados SSVEP (potenciales que se reflejan en la actividad EEG con la misma frecuencia y amplitud constante del estímulo visual que los evocó, se han observado entre los 5 a 90 Hz) para controlar el movimiento de la muñeca y la pinza de un brazo robótico, en este caso, los comandos de control también se definen a través de concentrar la mirada sobre un led concreto, que parpadea a una frecuencia determinada a la cual le es vinculada un comando dentro de la estrategia de control del brazo robótico, así, en (Kanithan, S., Guna, 2021) se implementó un sistema basado en el parpadeo, el cual, al ser detectado dentro del registro EEG, permite controlar acciones como el encendido y apagado de bombillas y ventiladores dentro del hogar, una aplicación dirigida a personas con parálisis. En este proyecto se propone desarrollar un algoritmo basado en Transformes y redes neuronales convolucionales, ambas técnicas de Aprendizaje Profundo (DL), para diseñar un sistema de aprendizaje que reconozca sobre señales electroencefalográficas la cantidad de parpadeos efectuados por un paciente para el control natural y eficiente de una prótesis de mano Ottobock y con esto conseguir los movimientos de pronación, supinación y pinza sobre dicha ayuda aumentativa.