سیستم های رابط مغز-رایانه (bci) به عنوان ابزاری جهت ایجاد ارتباط مستقیم بین مغز و دنیای خارج شناخته می شوند. برای دستیابی به چنین ارتباطی، یک سیستم bci باید قادر به تبدیل سیگنال های مغزی به دستورات کنترلی باشد. اگر سیستم bci به عنوان یک سیستم شناسایی الگو در نظر گرفته شود، مهمترین مسئله در چنین سیستمی شامل استخراج ویژگی و طبقه بندی سیگنال های مغزی خواهد بود. کارایی یک سیستم شناسایی الگو، وابستگی زیادی به ویژگی های استخراج شده و همچنین قدرت تعمیم الگوریتم طبقه بندی مورد استفاده دارد. یکی از روش های دستیابی به طبقه بندی دقیق و قدرتمند، تنظیم پارامترهای طبقه بندها می باشد. بر همین اساس با استفاده از روش پیشنهادی اول در این تحقیق، میزان تأثیرگذاری تنظیم پارامترهای طبقه بند در خروجی یک سیستم bci مورد آزمایش قرار گرفته است؛ بدین منظور با استفاده از یک الگوریتم فرا-اکتشافی کارا (r3pso)، که از خانواده ی الگوریتم های بهینه سازی ازدحام ذرات می باشد، به تنظیم پارامترهای طبقه بندها پرداخته شده است. برای ارزیابی روش های پیشنهادی در این تحقیق، از دیتاست هایی از نوع تصورات حرکتی استفاده شده است؛ این دیتاست ها توسط گروه graz برای مسابقات جهانی bci تدارک دیده شده اند. نتایج آزمایش ها نشان داد که روش پیشنهادی اول کارایی مطلوبی دارد، به طوری که طبقه بند های تنظیم شده با آن توانستند نتایجی برتر از نتایج برندگان مسابقات bci و نتایج دیگر مطالعات انجام شده بر روی دیتاست های مذکور، داشته باشند. در آزمایش های بعدی این تحقیق، با استفاده از یک روش پیشنهادی مبتنی بر معیار gain-ratio به ارزیابی ویژگی های استخراج شده از سیگنال های خام eeg دیتاست های مذکور پرداخته شد. همچنین در گروه دیگری از آزمایش ها، با استفاده از دو روش انتخاب ویژگی از نوع فیلتر و رپر، ویژگی های برتر انتخاب شده و مورد تحلیل قرار گرفتند.