چکیده: در این مطالعه کاربردی، کلاسه‌بندی پنج تصور ذهنی اندازه‌گیری شده توسط EEG بررسی و پیاده‌سازی خواهد شد. سیگنال‌های EEG در حوزه زمان دارای حجم بالائی هستند، و از این گذشته ممکن است این سیگنال‌ها حاوی مصنوعاتی باشند که از منابعی غیر از مغز ثبت شده باشند، از قبیل پلک‌زدن و یا حرکت چشم. بنابراین کاهش اطلاعات زائد و استخراج مفیدترین اطلاعات ضروری به نظر می‌رسد. در روش پیشنهادی از روش‌های کاهش ابعاد، یعنی تحلیل مؤلفه‌های اصلی (PCA) و الگوهای فضائی مشترک (CSP) برای حذف اطلاعات زائد استفاده می‌شود. اما باز هم قسمت‌هائی از سیگنال شامل مصنوعاتی است که با این روش‌ها قابل حذف نیستند. برای همین ابتدا سیگنال‌ها را پنجره کرده و سپس بر روی هر پنجره به صورت مجزا روش‌های استخراج ویژگی PCA یا CSP را اعمال می‌کنیم. سپس ویژگی‌های استخراج‌شده از پنجره‌های آلوده را از بردار ویژگی نهائی حذف می‌کنیم. اما به دلیل اینکه مصنوعات در مؤلفه‌های زمانی سیگنال واضح نیستند، نمی‌توان به صورت دقیق پنجره‌های آلوده را تشخیص داد. بنابراین می‌توان با استفاده از الگوریتم‌های بهینه‌سازی جستجو از قبیل الگوریتم ژنتیک (GA) و الگوریتم بهینه‌سازی ذرات (PSO)، و همچنین روش انتخاب ویژگی رو به جلو ، راه‌حل‌های حاوی بهترین پنجره‌ها را جستجو کرد. اما مسئله‌ای که وجود دارد این است که پنجره‌هائی که حذف می‌شوند، ممکن است شامل ویژگی‌های مفید نیز باشند. زیرا در پنجره‌بندی با ابعاد ثابت، مرز مصنوعات به صورت دقیق مشخص نمی‌شود. راه حل این است که این الگوریتم را در چند مرحله بر روی پنجره‌های با ابعاد متفاوت آزمایش کنیم و در نهایت بهترین ابعاد را انتخاب کنیم. الگوریتم پیشنهادی را بر روی یک مجموعه داده حاوی پنج کار ذهنی ثبت شده در دانشگاه کلرادو، اعمال کردیم. با به کار بردن روش پیشنهادی بر روی سیگنال‌های حاوی 50 پنجره‌، با تقسیم 70 به 30 برای مرحله آموزش و تست، توانستیم به نرخ موفقیت 100درصد دست پیدا کنیم.