دانشمندان همواره بدنبال راه هایی بوده اند که بتوانند یک رابطه ی موثر بین انسان و ماشین پدید آورند به طوریکه این رابطه تا حد امکان نزدیک به رابطه ی انسان با انسان باشد زیرا حتی پیچیده ترین ماشین ها نیز بدون دخالت انسان کارایی خاصی ندارند. نتیجه این تحقیقات تولد سیستم هایی است که به واسط های انسان-ماشین یا واسط های انسان-رایانه معروف هستند. این سیستم ها با توجه به نحوه تعامل آنها با انسان به دسته های مختلفی از جمله واسط های انسان-رایانه ی مبتنی بر بینایی، واسط های انسان-رایانه ی مبتنی بر صدا و واسط های انسان-رایانه ی مبتنی بر حواس تقسیم می شوند. در سال های اخیر دسته ای دیگر از این سیستم ها معرفی شده اند که مبتنی بر سیگنال های مغزی هستند و به آن ها سیستم های واسط مغز-رایانه می گویند. این سیستم ها بخاطر ارتباط مستقیم با مغز انسان توانایی های بیشتری نسبت به انواع دیگر دارند اما به علت دقت و سرعت پایین همچنان راه درازی در پیش دارند. طراحی این سیستم ها با چالش های زیادی روبرو است که از جمله می توان به نیاز آن ها به آموزش و تنظیم مجدد در زمان ها و مکان های مختلف اشاره کرد. یکی از راه های غلبه بر چنین چالش هایی استفاده از پیش پردازش ها و الگوریتم های یادگیری ماشین مناسب است. در این پایان نامه از ترکیب کردن چندین طبقه بندی کننده (به جای یک طبقه بندی کننده) استفاده شد. در این راستا الگوریتم های مختلفی از جمله رأی اکثریت، میانگین و الگوریتم های پشته سازی، آدابوست و بگینگ بکار برده شد که هرکدام در شرایطی موجب بهبود دقت سیستم گردید. به موازات آن از دسته ویژگی های متفاوتی شامل انرژی باندهای فرکانسی، پیچیدگی، ضرایب موجک، آنتروپی تقریبی و غیره نیز استفاده شد. با بررسی حالت های مختلف، بهترین ترکیبات ممکن به همراه بهترین دسته ویژگی ها مشخص گردید. در یک بررسی به کمک الگوریتم رأی اکثریت و به صورت تدریجی میزان خطای طبقه بندی کننده به صفر رسید حال آنکه کمترین خطای بدست آمده از مطالعات گذشته برابر با 9% بوده است. البته طی چندین بررسی دیگر و به ازای روش های ترکیبی دیگر نیز خطایی کمتر از 9% به دست آمد. نتایج حاصل نشان می دهد که روش پیشنهادی یعنی ترکیب چندین طبقه بندی کننده بسیار موثر بوده و باعث بهبود نتایج قبلی به طرز چشمگیری شده است.