En la aplicación de la interfaz cerebro-computadora, la extracción de características es una parte importante de la clasificación de señales de electroencefalografía (EEG). El uso de modelado disperso para extraer características de la señal EEG es un enfoque común. Sin embargo, las características extraídas por métodos comunes de descomposición dispersa solo tienen un significado analítico y no pueden relacionarse con las formas de onda EEG reales, especialmente las formas de onda de potenciales relacionados con eventos. En este artículo, proponemos un método de extracción de características basado en un mapa autoorganizado de átomos de diccionario disperso, que puede agrupar las formas de onda de potenciales relacionados con eventos dispersos dentro de un diccionario disperso sobredimensionado en el libro de códigos de neuronas en la red del mapa autoorganizado. Luego, la similitud del coseno entre la muestra de señal EEG y el vector de código se utiliza como característica de clasificación. En comparación con los métodos tradicionales de extracción de características basados en la descomposición dispersa, las características de clasificación obtenidas por este método tienen un significado electrofisiológico más intuitivo. El experimento realizado en un conjunto de datos público de interfaz cerebro-computadora de potenciales relacionados con eventos auditivos mostró que, después del mapeo autoorganizado de los átomos del diccionario, los vectores de código de las neuronas en la red de mapeo autoorganizado eran notablemente similares a la forma de onda de los potenciales relacionados con eventos obtenida después de la superposición y el promedio. La característica extraída por el método propuesto utilizó una menor cantidad de datos para obtener una precisión de clasificación comparable al método tradicional.