В основе систем ИМК лежит математический анализ нейрофизиологических данных, алгоритмы распознавания характерных признаков и их классификации.

Большая часть методов классификации предполагает сведение задачи классификации динамических данных к задаче классификации статических данных. Для этого необходимо выполнить переход от многомерного временного ряда, описывающего сигнал, к некоторому вектору признаков, характеризующему этот временной ряд.

В задачах распознавания типов воображаемых движений к наиболее распространенным методам выделения характерных признаков относятся следующие:

1. Статистический анализ сигнала. В качестве признаков используются значения дисперсии (англ. variance) сигнала в каждом из каналов записи ЭЭГ. 
2. Дискретное преобразование Фурье. Каждому каналу ЭЭГ сопоставляется несколько признаков, которые представляют собой значения суммарной спектральной плотности мощности сигнала в заранее заданных частотных диапазонах. Например, в качестве диапазонов могут использоваться "классические" диапазоны: 1-4 Гц (дельта-ритм); 4-8 Гц (тета-ритм); 8-14 Гц (альфа-ритм); 14-30 Гц (бета-ритм); 30-50 Гц (гамма-ритм).
3. Непрерывное вейвлет-преобразование (англ. Continious Wavelet Transform). Вектор характерных признаков в данном случае включает в себя средние значения энергии сигнала для каждого из ЭЭГ каналов в указанных выше частотных диапазонах.
4. Векторная модель авторегрессии. В качестве характерных признаков используются коэффициенты авторегрессии. Порядок модели обычно выбирается равным 1 или 2.
5. Общий пространственный фильтр (англ. Common Spatial Pattern Filter). Вектор характерных признаков формируется из значений дисперсии в первых трех каналах сигнала, полученного после фильтрации.
6. Анализ энтропии сигнала (англ. Entropy Analisys). В итоговый вектор характерных признаков включаются значения нормированной энтропии, рассчитанной для каждого из каналов ЭЭГ сигнала.
7. Фильтр Калмана. Фильтр Калмана представляет собой рекурсивный фильтр, оценивающий вектор состояния динамической системы в текущий момент времени, используя измерения на текущем такте работы и оценку состояния (в виде оценки состояния системы и оценки погрешности определения этого состояния) на предыдущем такте работы. В качестве характерных признаков при определении типа мыслительной деятельности выступают элементы матрицы перехода между состояниями.
8. Метод сегментации многомерных временных рядов на основе характеристик бегущих волн. В вектор характерных признаков включаются показатели синхронности и когерентности бегущих волн. Расчёт этих показателей проводится на основе результатов анализа кросс-спектров сигналов в пространственно близких точках наблюдения.
9. Модельно-ориентированный подход к построению пространства характерных признаков ЭЭГ. Метод основан на моделировании электрической активности нервных клеток с помощью эквивалентных токовых диполей (ЭТД). В качестве характерных признаков сигнала принимаются пространственные координаты ЭТД и координаты вектора дипольного момента.