Motorička predodžba (eng. motor imagery - MI) je kognitivni proces zamišljanja izvedbe motoričkog zadatka bez korištenja stvarnih pokreta mišića. Često se koristi u rehabilitaciji i u asistivnim tehnologijama za kontrolu sučelja mozak-računalo (eng. braincomputer interface - BCI). Ova je disertacija usmjerena na predlaganje primjene novih pristupa s ciljem povećanja točnosti klasifikacije elektroencefalografskih (eng. electroencephalographic - EEG) signala pri korištenju MI BCI sustava za klasifikaciju različitih ortogonalnih kretnji istog ekstremiteta od središta prema vani. Proces istraživanja disertacije sastoji se od dizajna paradigme BCI eksperimenta te prikupljanja, obrade i klasifikacije signala. Prikupljeni signali sadrže različite namjere interakcije (različiti smjerovi i stanje mirovanja). Navedeni ciljevi postižu se korištenjem prilagođene predobrade, informacijske entropije i strojnog učenja u svrhu povećanja točnosti klasifikacije te promjenom eksperimentalne paradigme dodavanjem kinestetičke vibrotaktilne stimulacije u svrhu povećanja točnosti klasifikacije i analize utjecaja na interakcijsko opterećenje. Korištenje različitih vremensko-frekvencijskih prikaza (eng. time-frequency representation - TFR) i njihovih R´enyijevih i Shannonovih kratkotrajnih entropija za otkrivanje upravljačkih signala temeljenih na MI EEG podacima, rezultira većom točnošću klasifikacije u usporedbi s uobičajeno korištenim amplitudnim značajkama, što ukazuje na poboljšanje u otkrivanju MI-a. Konkretno, kratkotrajna Shannonova entropija temeljena na ponovno dodijeljenom pseudo Wigner-Ville TFR-u (eng. Reassigned pseudo WignerVille TFR) postigla je točnost do 99,87% pri otkrivanju MI-a. Evaluacija šest različitih klasifikatora, uključujući uobičajeno korištene linearne diskriminantne analize (eng. linear discriminant analysis - LDA), stroj potpornih vektora (eng. support vector machine - SVM), slučajne šume (eng. random forest - RF) i tri klasifikatora iz obitelji konvolucijskih neuronskih mreža (eng. convolutional neural networks - CNN), koji su po prvi puta primijenjeni u ovom kontekstu, pokazuje da CNN koji se temelji na ResNet-u značajno nadmašuje konkurentske klasifikatore na podacima koji sadrže statične vizualne znakove, dinamičko vizualno navodenje ili kombinaciju dinamičkog vizualnog navodenja i dinamičkog vibrotaktilnog navođenja pri otkrivanju različitih smjerova MIa. Konkretno, algoritam ResNet-101 postiže točnost do 72,30% pri klasificiranju različitih MI kretnji istog ekstremiteta. Studija također otkriva da predobrada podataka pomoću značajki niskofrekventnih signala daje veću točnost klasifikacije, te da vibrotaktilno vođenje značajno utječe na točnost klasifikacije, posebno za jednostavnije klasifikatore.