Προτείνουμε μια προσέγγιση για να αναλύσουμε τα δεδομένα που συλλέγουμε από το παράδειγμα του Ορθογράφου P300, χρησιμοποιώντας την τεχνική μηχανικής μάθησης, support vector machines. Στο συγκεκριμένο πλαίσιο κατηγοριοποίησης, πετύχαμε την σωστή λύση μετά από πέντε επαναλήψεις. Ενώ η κατηγοριοποίηση στους διαγωνισμούς BCI είναι για offline ανάλυση, η προσέγγιση μας μπορεί να θεωρηθεί ως μια online λύση για τον πραγματικό κόσμο. Είναι γρήγορη, απαιτεί λίγες (λιγότερες από 10) θέσεις ηλεκτροδίων, απαιτεί μόνο ένα μικρό ποσοστό προεπεξεργασίας και η επιλογή των τιμών για κρίσιμες παραμέτρους έχει αυτοματοποιηθεί. / We propose an approach to analyze data from the P300 speller paradigm using the machine-learning technique support vector machines. In a conservative classification scheme, we found the correct solution after five repetitions. While the classification within the BCI competition is designed for offline analysis, our approach is also well-suited for a real-world online solution: It is fast, requires few electrode positions (less than 10), demands only a small amount of preprocessing and selection of values for critical parameters is automated.