В данной работе рассматриваются методы обработки сигналов электроэнцефалографии (ЭЭГ) для распознавания мышечной активности, включая движения руки, ладони и пальцев, в контексте интерфейсов мозг-компьютер (BCI). Основное внимание уделяется анализу моторного воображения (MI) с использованием пространственно-временных паттернов сигналов и методов машинного обучения для повышения точности классификации. В рамках исследования рассматриваются методы, использующие независимый компонентный анализ (ICA) для удаления шума, а также комбинации CSP с локальным средним разложением (LMD) и оптимизированные классификаторы, такие как SVM с оптимизацией частиц (PSO-SVM) и наивный байесовский классификатор (GNB). Дополнительно рассматривается оценка спектральной плотности мощности (PSD) с использованием метода Уэлча, что позволяет выделять ключевые частотные характеристики сигналов. В представленном исследовании рассматривается применение общего пространственного шаблона (CSP) в комбинации с методами фильтрации для извлечения релевантных признаков моторного воображения, представленных μ- (7–13 Гц) и β- (13–30 Гц) ритмами, а также алгоритмы выбора признаков, такие как минимальная избыточность и максимальная релевантность (mRMR) и регуляризация Lasso. В экспериментальной части проведено тестирование предложенных методов на реальных данных ЭЭГ, собранных с использованием ANT Neuro EEG-устройства.