Imagética motora é um processo mental que produz modulações na amplitude dos sinas de eletroencefalogramas em progresso. Os padrões presentes nestas modulações podem ser usados para classificar este processo mental, mas a identificação destes padrões não é uma tarefa trivial, porque eles estão presentes em bandas de frequências que são específicas para cada pessoa. Neste trabalho, apresenta-se um novo método para selecionar as bandas de frequência específicas para cada pessoa baseado na arquitetura do método Filter Bank Common Spatial Pattern. Para selecionar as bandas de frequência mais relevantes para cada pessoa, o método proposto aplica uma busca exaustiva para encontrar o melhor subconjunto de bandas de frequência contendo os padrões mais discriminativos dentro de um espaço de busca restrito a um tamanho fixo para este subconjunto. Esse tamanho é determinado usando validação cruzada e o método Sequential Forward Floating Selection. O método proposto foi avaliado usando a base de dados pública 2b da BCI Competition IV, mostrando melhores resultados do que todos os métodos também avaliados nessa base de dados.

Motor imagery is a mental process that when performed, produces modulations in the amplitude of ongoing electroencephalogram signals. These modulations happen following a series of patterns that can be used to classify this mental process, but the detection of those patterns is not a trivial task, because they occur in frequency bands that are specific for each person. In this work, we present a method to select these subject-specific frequency bands based on the arquitecture of the Filter Bank Common Spatial Pattern approach. To select the most relevant frequency bands for each person, our method uses an exhaustive search to find the best subset of frequency bands containing the most discriminative patterns, but with one restriction, the search space is restricted to find a subset with a fixed number of frequency bands. The number is determined using cross-validation and the Sequential Forward Floating Selection method. We demonstrate that, using the data set 2b of the BCI Competition IV, our method is more accurate than current methods evaluated on the same data set.