Brain Computer Interfaces allow communication with the environment and the control of physical devices to users with different neuromuscular disorders. These systems include signal acquisition, preprocessing and classification in order to determine what are the true intentions of the subject and thus generate an appropriate control signal. In the present work we evaluate the performance of a self-organized neural network depending on the number of training patterns. Obtained map is configured, labeled and used as a classifier in a Motor Imagery based Brain Computer Interface. The results are classification around 85 % when the map is trained with enough patterns. Based on a sensitivity analysis to each of the classes an optimal amount of training patterns is obtained of about 100 vectorial samples from which the classification rate does not increase substantially as instead it does the computational cost. Resumen—Las interfaces cerebro computadora permiten la comunicación con el medio y el control de dispositivos físicos, a usuarios con diversas patologías musculares. Estos sistemas incluyen desde la adquisición de la señal con su preprocesamiento y hasta su clasificación, con el objetivo de determinar cuales son las verdaderas intenciones del usuario y generar en consecuencia una señal de control apropiada. En el presente trabajo se evalúa el desempeño de una red neuronal artificial de tipo Auto-Organizada, en función de la cantidad de patrones que se requieren para su entrenamiento. El mapa Auto-Organizado obtenido es configurado, rotulado y utilizado como clasificador en una Interface Cerebro Computadora basada en Imaginería Motora. Como resultado se obtuvieron tasas de clasificación del 85 % cuando el mapa es entrenado con una suficiente cantidad de patrones. A partir de un análisis de sensibilidad a cada una de las clases, se obtiene una cantidad óptima de patrones de en-trenamiento de alrededor de 100 muestras vectoriales a partir de las cuales la tasa de clasificación no aumenta considerablemente, en cambio se incrementa el costo computacional asociado.