Localizar las regiones cerebrales afectadas por tareas es crucial para comprender los mecanismos de la función cerebral. Sin embargo, el análisis estadístico tradicional no identifica con precisión las regiones cerebrales de interés debido a factores como el tamaño de la muestra, el diseño de la tarea y los efectos estadísticos. Aquí, proponemos un marco de selección de características multitarea basado en hipergráficos, denominado HMTFS, que aplicamos a un conjunto de datos de resonancia magnética funcional (fMRI) para extraer regiones cerebrales relacionadas con la tarea. HMTFS se caracteriza por su capacidad para construir un hipergrafo a través de correlaciones entre sujetos, tratando a cada sujeto como un nodo para preservar información de alto orden de las señales variables en el tiempo. Además, gestiona la selección de características a través de diferentes ventanas de tiempo en los datos de fMRI como múltiples tareas, facilitando el aprendizaje grupal disperso en el tiempo con una restricción de suavidad. Utilizamos un gran conjunto de datos de fMRI del Proyecto Conectoma Humano (HCP) para validar el rendimiento de HMTFS en la selección de características. Los resultados experimentales demuestran que las regiones cerebrales seleccionadas por HMTFS pueden proporcionar una mayor precisión para tareas de clasificación posteriores en comparación con otros métodos de selección de características competidores y se alinean con hallazgos de estudios previos de neurociencia.