В статье представлен комплексный подход к анализу электроэнцефалографических (ЭЭГ) сигналов полученных как с человеческого мозга так и искусственно синтезированных при использовании методов машинного обучения. Основное внимание уделено предварительной обработке данных, включая нормализацию и фильтрацию сигналов, а также применению различных методов извлечения признаков, таких как быстрое преобразование Фурье и мел-частотные кепстральные коэффициенты. Проведён сравнительный анализ точности классификации с использованием логистической регрессии, случайного леса, градиентного бустинга и рекуррентной нейронной сети LSTM. Особое внимание уделено влиянию параметров фильтрации на точность классификации. Результаты показали, что фильтрация и корректная настройка параметров модели существенно повышают точность классификации ЭЭГ сигналов, обеспечивая разделение реального и модельного пула ЭЭГ. Представленные результаты и обсуждение могут служить основой для дальнейших исследований в области анализа и обработки биомедицинских сигналов.