پژوهش ها نشان می دهند که احساسات انسان نتیجه عملکرد نورونی داخل مغز وی است. در سال های اخیر پژوهشگران از شیوه های گوناگون در راستای اخذ و پیش پردازش سیگنال های مغزی، انتخاب ویژگی، کاهش بُعد و طبقه بندی استفاده کرده اند. اما تعداد و نوع ویژگی های استخراج شده نقش بسیار مهمی در طبقه بندی ایفا می کنند. با توجه به اینکه نمی دانیم کدام ویژگی ها در طبقه بندی موثرتر عمل می کنند و از طرفی مجموعه ویژگی های مورد استفاده معمولا زیاد و مستقل از افراد نیستند، لذا کم کردن تعداد ویژگی ها و افزایش کارایی طبقه بند بسیار مورد توجه پژوهشگران قرار گرفته است. هدف این مقاله نیز ارائه روشی مبتنی بر یادگیری چند وظیفه ای برای کاهش بُعد و رسیدن به زیر فضای مشترکی از ویژگی ها می باشد که احساسات افراد مختلف را به خوبی توصیف کند. بنابراین با استفاده از یادگیری چند وظیفه ای، از فضای ویژگی های مورد استفاده نگاشتی یافت شود که بین افراد مختلف مشترک باشد. برای نشان دادن کارایی روش پیشنهادی از سه مجموعه داده بسیار معروف SEED، DEAP و DREAMER استفاده شد. آزمایشات به دو صورت انجام شد. در آزمایش اول هر کانال به صورت جدا بررسی شد و کانال هایی که کارایی بالا داشتند انتخاب شدند. آزمایش دوم با در نظر گرفتن کانال های بخش های مختلف مغز (جلو سر، عقب سر، نیمکره راست و نیمکره چپ) صورت گرفت. در آزمایش اول، بالاترین کارایی حدود 80 درصد و در آزمایش دوم حدود 84 درصد است. نتایج آزمایشات نشان می دهند که روش پیشنهادی نسبت به روش های مقایسه کارایی بهتری دارد.