در سیستم های واسط مغز و کامپیوتر، کاهش تعداد کانال ها، چه در هنگام ثبت، با کاهش هزینه و پیچیدگی دستگاه ها، کاهش زمان آمادگی برای ثبت و افزایش راحتی کاربر و چه در مرحله¬ی پردازش با کاهش حجم محاسبات و پردازش ها به تحقق یک دستگاه bci با قابلیت حمل کمک می کند. می دانیم که با حذف کانال هایی که حاوی اطلاعات متمایز کننده نیستند علاوه بر بهبود های ذکر شده، دقت طبقه بندی نیز می تواند افزایش یابد. اما این افزایش دقت، با ویژگی های سابق، فقط در صورتی رخ می دهد که هیچ اطلاعات متمایز کننده ای را حذف نکنیم یا برای غلبه بر این مسأله، ویژگی های جدیدی تعریف کرده و یا به مجموعه¬ی ویژگی سابق بیفزاییم. در این پژوهش، دو مونتاژ مستقل از فرد معرفی کرده و سعی می کنیم با بررسی ویژگی هایی که تا کنون مورد استفاده قرار می¬گرفته، تابعی غیرخطی از آن ویژگی ها تعریف می کنیم که بتواند کاهش دقت ناشی از حذف کانال ها را تا حد¬ممکن جبران کند. دو مونتاژ معرفی¬شده¬ی گسترده و متمرکز حول ناحیه¬ی حسی-حرکتی نرخ خطای طبقه¬بندی را به طور میانگین به ترتیب 28% و 15% نسبت به روش dfbcsp و 47.6% و 37.5% نسبت به نتایج روش معیار فاصله¬ی ریمانی کاهش می¬دهد.