以脑电信号形式从大脑中提取的运动想象 (MI) 反应已广泛用于脑机接口 (BCI) 系统中的意图检测。然而，由于脑电信号的非线性和非平稳性，BCI 系统的 MI 预测率较低，已知和未知的影响因素都有。本文研究了视觉刺激、特征维度和伪影对 MI 任务检测率的影响，以提高 MI 预测率。使用三个 EEG 数据集进行调查。对每个数据集应用三个滤波器（带通、陷波和公共平均参考）和独立成分分析 (ICA)，以消除伪影的影响。从无伪影的 ICA 成分中提取三组特征，从中选择更相关的特征。此外，将选定的特征子集合并到三个分类器（NB、回归树和 K-NN）中，以预测四个 MI 和混合任务。K-NN 分类器在每个数据集中的表现都优于其他两个分类器。在混合任务 EEG 数据集中获得最高的分类准确率。此外，准确预测的 EEG 类别被应用于机械臂控制。