چکیده: بیماری‌های مختلفی می‌توانند باعث صدمه دیدن سیستم عصبی عضلانی، که مغز از طریق آن قادر به ایجاد ارتباط و اعمال کنترل به محیط خارج است، شوند. پیشرفت‌های اخیر در سخت افزار و پردازش سیگنال، استفاده از سیگنال‌های EEG را برای ارتباط انسان و رایانه ممکن ساخته است. سیستم واسط مغز و رایانه(BCI)، یک سیستم ارتباطی برای انتقال پیام از یک شخص به دنیای بیرون است که از طریق مسیرهای خروجی معمولی مغز، یعنی عصب‌های محیطی و ماهیچه‌ها صورت نمی‌گیرد. یکی از عمده‌ترین روش‌های استخراج ویژگی در سیستم‌های واسط مغز و رایانه (BCI) مبتنی بر ثبت الکتروانسفالوگرام(EEG)، استفاده از الگوی فضایی مشترک (CSP) می‌باشد. با وجود کاربرد گسترده این روش CSP بسیار حساس به نویز است و در مقابل داده‌های کم دچار مشکل می‌شود. آنچه در این تحقیق مورد توجه قرار گرفته است این است که با استفاده از روش‌های بهینه سازی فیلترهای CSP را به گونه‌ای طراحی کنیم که مشکل نویز تا حد ممکن از بین برود. از این رو از روش‌های رگولار شده و بهبود یافته الگوی فضایی مشترک به عنوان راهکاری جهت استخراج دقیق‌تر ویژگی‌های موردنظر استفاده شده است. همچنین در این تحقیق ما روش‌های ارائه شده را به صورتی تعمیم داده‌ایم که قابل اعمال بر روی داده‌های مربوط به چهار کلاس باشد و محدودیت دو کلاسه بودن که در بسیاری از مقالات وجود دارد از بین برود. الگوریتم دیگری که در این تحقیق ارائه شده است تقسیم بندی زمانی داده‌ها می‌باشد. برای این منظور ابتدا داده‌ها را به بازه های زمانی تقسیم کرده و سپس فیلتر CSP را روی هر بازه زمانی اعمال نموده و ویژگی‌های آن را استخراج می‌کنیم. در این صورت اثر نویز بسیار کمتر می‌گردد . در این پژوهش از مجموعه داده 2a از چهارمین دوره مسابقات BCI استفاده شده است. این مجموعه شامل 22 کانال از سیگنال‌های EEG مربوط به 9 فرد با نرخ نمونه‌برداریHz 250 می‌باشد. در نهایت عملکرد 4 الگوریتمRCSP را روی مجموعه داده‌های چهارمین دوره مسابقات جهانی BCI مقایسه می‌کنیم. نتایج نشان می‌دهد که الگوی فضایی منظم شده تیخونوف دارای کارآیی بهتری نسبت به دیگر روش‌های الگوی فضایی منظم شده هستند.