چکیده: رابط مغز کامپیوتر (BCI)، یک سیستم قدرتمند برای ارتباط بین مغز و جهان خارج است. سیستم های BCI سنتی تنها مبتنی بر EEG کار می کردند. این سیگنال ها به دلیل مزایایی که دارند، تحلیل و ثبت فعالیت ذهنی را آسان می کنند. اخیرا، محققان، سیگنال های EEG را به منظور بهبود عملکرد این سیستم ها با دیگر سیگنال ها ترکیب کرده اند. در میان این سیگنال ها، ترکیب سیگنال های EEG و fNIRS نتایج مطلوبی را بدست آورده است. در اکثر مطالعات، تنها از سیگنال های EEG یا fNIRS، به صورت دنباله ای از سیگنال های زنجیره مانند استفاده شده است و همبستگی پیچیده ی بین سیگنال های مجاور یعنی زمان و موقعیت الکترود-ها در نظر گرفته نشده است. از طرف دیگر، در این راه، چالش هایی وجود دارند که باید رفع شوند. روش پیشنهادی این پایان نامه، متمرکز بر دو بخش پیش پردازش جهت آماده سازی داده ها و طبقه بندی است. پیش-پردازش پیشنهادی، ارتباط مکانی بین سیگنال های EEG و fNIRS را ترکیب می کند. این امر به کمک موقعیت الکترود ها بر روی پوست سر انجام شده است. در نتیجه، می توان دنباله هایی از این سیگنال های زنجیره مانند را به تانسورهای سه بعدی تبدیل کرد. در ادامه، در این پایان نامه، مدلی مبتنی بر شبکه عصبی عمیق، با ترکیب دو شبکه عصبی CNN و RNN، برای تشخیص دقیق اهداف ذهنی انسان و با استفاده از ویژگی های زمانی و مکانی ارائه شده است. نتایج حاصل از روش پیش پردازش پیشنهادی نشان دادند که سیگنال های خام، تبدیل به تصاویری با اطلاعات بیشتر می شوند. این تصاویر، اطلاعات مکانی سیگنال ها را در هر لحظه زمانی در خود دارند. در ادامه نشان داده شد که که مدل پیشنهادی دارای دقت 99.6 درصد است. این دقت نسبت به بالاترین دقت بدست آمده در مراجع دیگر، افزایش یک درصدی داشته است که نشان-دهنده اهمیت ترکیب این دو سیگنال با یکدیگر است. از طرف دیگر، نتایج نشان دادند که پیش پردازش پیشنهادی و تبدیل سیگنال های خام به تصاویری با اطلاعات مکانی، تاثیر مطلوبی بر شبکه عصبی عمیق دارند.