Junto con la cuarta revolución industrial, se está llevando a cabo activamente la investigación en el campo de la ingeniería biomédica. Entre estos campos de investigación, la investigación de la interfaz cerebro-computadora (BCI), que estudia la interacción directa entre el cerebro y los dispositivos externos, está en el centro de atención. Sin embargo, en el caso de los datos de electroencefalografía (EEG) medidos a través de BCI, hay una gran cantidad de características, lo que puede llevar a muchas dificultades en el análisis debido a las complejas relaciones entre las características. Por esta razón, la investigación sobre BCIs que utilizan datos de EEG a menudo es insuficiente. Por lo tanto, en este estudio, desarrollamos la metodología para seleccionar características para un tipo específico de BCI que predice si una persona detecta correctamente cambios en la expresión facial o no mediante la clasificación de características basadas en EEG. También investigamos si características específicas de EEG afectan la detección de cambios de expresión. Se utilizaron varios métodos de selección de características para verificar la influencia de cada característica en la detección de cambios de expresión, y se seleccionó la mejor combinación utilizando varias técnicas de clasificación de aprendizaje automático. Como mejor resultado de la precisión de clasificación, se obtuvo un 71% de precisión con XGBoost utilizando 52 características. La topografía del EEG se confirmó utilizando las principales características seleccionadas, mostrando que la detección de cambios en la expresión facial involucra en gran medida la actividad cerebral en las regiones frontales.