La investigación sobre las señales de electroencefalografía (EEG) y su análisis de datos ha llamado mucho la atención en los últimos años. Las técnicas de minería de datos se han aplicado ampliamente como soluciones eficientes para la investigación de interfaces cerebro-computadora (BCI) no invasivas. Investiga previos han indicado que los cerebros humanos producen señales de EEG reconocibles asociadas con actividades específicas. Este artículo propone un modelo de muestreo de datos optimizado para identificar el estado del cerebro humano y descubrir patrones de actividad cerebral. Los métodos de muestreo utilizados en el modelo propuesto incluyen el gráfico EEG segmentado utilizando el método de aproximación lineal por partes (SEGPA), que incorpora métodos de muestreo de datos optimizados; y la red ponderada basada en EEG para el análisis de datos de EEG, que puede ser utilizado para el control de maquinaria. Las técnicas de muestreo y segmentación de datos combinan la aproximación de distribución normal (NDA), la aproximación de distribución de Poisson (PDA) y métodos de muestreo relacionados. Esta investigación también propone un método eficiente para reconocer el pensamiento humano y las señales cerebrales con patrones frecuentes basados en entropía (FPs). El sistema de reconocimiento obtenido proporciona una base que podría ser útil en el control de maquinaria o robots. Los resultados experimentales indican que los segmentos NDA-PDA con menos del 10% del tamaño de los datos originales pueden lograr una precisión del 98%, en comparación con los conjuntos de datos originales. El método FP identifica más de 12 patrones comunes para el análisis de datos de EEG basado en los métodos de muestreo optimizados.