واسط انسان-رایانه که به اختصار (BCI) نامیده می شود، را می توان پلی برای ارتباط انسان با دنیای پیرامونش دانست. این تکنولوژی از طریق سیگنال های مغزی و بدون دخالت دادن ماهیچه ها ابزارهای خارجی را تحت کنترل فرد در می آورد. زمانی که فرد به منظور انجام حرکت آماده می شود، آن را به اجرا در می آورد، و یا تنها اجرای آن را تصور می کند، تغییراتی در توان سیگنال های مغزی فرد اتفاق می افتد که آن را (ERD/ERS) می نامند. سیستم های BCI تصور حرکت (MI-BCIs) با ثبت و پردازش این نوسانات آن ها را به دستورات کنترلی دستگاه های خارجی تبدیل می نمایند. به سبب این پتانسیل ها، این تکنولوژی قادر است به افرادی که دچار اختلالات عصبی عضلانی، سکته مغزی و یا بیماری ALS شده اند، کمک کند. از سایر کاربردهای BCI می توان به بازی های رایانه ای، هلی کوپترهای مجازی و ... اشاره کرد. در چند دهه گذشته مطالعات بسیاری به منظور بهبود سیستم های BCI انجام گرفته است و روش های مختلفی برای بهبود این سیستم ها توسط محققین و پژوهشگران ارائه شده است. در این تحقیق سعی شده است تا روش های استخراج ویژگی موفق به کار رفته در سال های اخیر مورد بررسی قرار گیرد. نتایج مطالعات نشان دهنده موفقیت روش های مبتنی بر الگوهای فضایی مشترک و روش های ترکیبی ذکر شده می باشد. همچنین در این تحقیق طبقه بندهای پرکاربرد و کارآمد نیز معرفی شده اند. در این میان طبقه بندهای خطی ازقبیل: آنالیز تشخیص خطی (LDA) و ماشین بردار پشتیبان(SVM) همواره به عنوان پرکاربردترین ها و طبقه بند غیرخطی ماشین یادگیری شدید (ELM) به عنوان روشی موفق ذکر شده اند. در این مطالعه معیارهای مناسب ارزیابی سیستم های MI-BCI نیز بررسی شده اند.
