چکیده: رابط رایانه - مغز (BCI) ابزار ارتباطی مناسب بین مغز انسان و دستگاه‌های بیرونی محیط اطراف می‌باشد. دقت و عملکرد دسته‌بندی سیگنال الکتروانسفالوگرام (EEG) نقش موثری در کارایی سیستم BCI ایفا می‌نماید. در این پژوهش دو روش مبتنی بر نمایش تنک (SR) و یادگیری دیکشنری (DL) برای دسته‌بندی فعالیت‌های ذهنی با استفاده از سیگنال EEG ارائه می‌شود. داده‌های مورد استفاده، پایگاه داده دانشگاه کلرادو و دانشگاه برلین می‌باشد که به ترتیب از پنج کلاس و دو کلاس تصور ذهنی حرکت ثبت شده‌اند. برای پیش‌پردازش از فیلتر میان‌گذر و الگوهای مکانی مشترک (CSP) استفاده می‌شود که در زمینه BCI از کارایی زیادی برخوردار است. در روش پیشنهادی اول یک دسته‌بند بر مبنای نمایش تنک برای دسته‌بندی سیگنال‌های EEG ارائه شده است. در این روش برای ساخت دیکشنری از ویژگی‌های استخراج شده از CSP استفاده شده است. برای بسط دادن آن به یک مسئله چند کلاسه از CSP چند کلاسه استفاده شده است. در روش پیشنهادی دوم دسته‌بندی بر مبنای یادگیری دیکشنری ارائه شده است. در این روش یک دیکشنری تحلیلی برای محاسبه پاسخ تنک و یک دیکشنری مصنوعی برای کمینه‌سازی خطای بازسازی سیگنال آموزش داده می‌شود. با استفاده از دیکشنری تحلیلی ضرایب تنک با پیچیدگی محاسباتی کمتری به دست می‌آیند. نتایج روش اول با استفاده از اعتبارسنجی بر روی پایگاه داده کلرادو %90، %83/5، %76/5 و %70 به ترتیب برای دسته‌بندی دو، سه، چهار و پنج کلاسه به دست می‌آید. میانگین نتایج بر روی پایگاه داده برلین با استفاده از اعتبارسنجی %56/97 به دست آمد. میانگین نتایج به دست آمده از روش پیشنهادی دوم بر روی پایگاه داده آزمون دانشگاه برلین %80/98 می‌باشد.