واسط مغز و رایانه در دهه اخیر سیر علمی، به شکل فزآیندهای مورد توجه قرار گرفته است و برگزاری چند دوره مسابقات بین المللی و چالشهای علمی در سطح جهان شاهد این مدعاست. در این مقاله، یک الگوریتم شش مرحلهای در طبقه بندی تصورات حرکات اندام مورد استفاده قرار گرفته است. در گام اول مجموعه ۲۸۸ داده الکتروانسفالوگرام از پایگاه دادهی مسابقات BCI سال ۲۰۰۵ جمعآوری شد. در گام دوم با استفاده از فیلتر بانک تبدیل موجک کاهش نویز دادهها صورت گرفت. در گام سوم، ریتم میو و بتای سیگنال در ناحیهی سنترال با استفاده از یک نمایش حوزهی زمان فرکانس تبدیل موجک استحصال شد. در گام چهارم، مجموعهای از ویژگیهای زمانی، فرکانسی و غیرخطی از هر زیر باند استخراج شد و در گام پنجم فضای ویژگی از با استفاده آنالیز مولفههای اصلی کاهش یافت. در گام ششم مجموعه ویژگیها به عنوان ورودی دو طبقهبندی کننده نزدیکترین همسایه، ماشین بردار پشتیبان و درخت تصمیم درنظر گرفته شد. تمامی شبیهسازیها تحت نرم افزار متلب اجرا و پیادهسازی گردیده است. نتایج نشان می دهد که طبقهبند ماشین بردار پشتیبان با کرنل غیرخطی و طبقهبندی کننده نزدیکترین همسایه بازدهی بالاتر از ۸۰ درصد را به همراه دارد.