En los últimos años, la clasificación precisa y en tiempo real de las señales de electroencefalograma (EEG) ha atraído cada vez más atención en la aplicación de la tecnología de interfaz cerebro-computadora (BCI). Los métodos supervisados utilizados para clasificar las señales de EEG han obtenido resultados satisfactorios. Sin embargo, las muestras no etiquetadas son más frecuentes que las muestras etiquetadas, por lo que cómo utilizar simultáneamente muestras etiquetadas limitadas y muchas muestras no etiquetadas se ha convertido en un tema de investigación candente. En este documento, proponemos un nuevo sistema de aprendizaje amplio semi-supervisado basado en gráficos (GSS-BLS), que combina el método de propagación de etiquetas de gráficos para obtener pseudomarcas y luego entrena el clasificador GSS-BLS junto con otras muestras etiquetadas. Se utilizan tres conjuntos de datos de competencia BCI para evaluar el enfoque GSS-BLS y cinco algoritmos de comparación: BLS, ELM, HELM, LapSVM y SMIR. Los resultados experimentales muestran que GSS-BLS logra valores satisfactorios de kappa de Cohen en tres conjuntos de datos. GSS-BLS logra mejores resultados en cada sujeto en los conjuntos de datos de 2 clases y 4 clases y presenta mejoras significativas en comparación con el BLS original, excepto para el sujeto C6. Por lo tanto, el GSS-BLS propuesto es un algoritmo semi-supervisado efectivo para clasificar señales de EEG.