Orientador: Prof. Dr. Diogo Coutinho Soriano / Dissertação (mestrado) - Universidade Federal do ABC. Programa de Pós-Graduação em Engenharia Biomédica, 2017. / Interfaces cérebro-computador (BCIs) definem canais de comunicação capazes de mapear sinais cerebrais em sinais de controle para dispositivos externos, sem utilização dos eferentes biológicos, utilizando comumente estratégias não invasivas para tanto, tal como obtido pela eletroencefalografia de superfície. Dentre os principais paradigmas BCI têm-se os potenciais visualmente evocados em regime estacionário (SSVEP - steady state visually evoked potential), o qual se baseia no sincronismo da atividade elétrica do córtex visual com estímulos visuais externos, permitindo assim a identificação dos eletrodos e frequências estimulatórias mais eficientes para a discriminação dos estímulos escolhidos pelo usuário via modulação da sua atenção. Tal paradigma de sistema BCI tem sido utilizado como uma importante estratégia no âmbito do desenvolvimento de tecnologias assistivas, as quais visam aumentar a qualidade de vida de pacientes com severas limitações motoras e de comunicação. Neste contexto, o presente trabalho apresenta contribuições à implementação de sistemas BCI-SSVEP operando de modo off-line e em tempo de execução (on-line). Para tanto, analisa-se aqui um conjunto de estruturas de processamento de sinais que levam ao melhor desempenho na tarefa de reconhecimento de padrões considerando técnicas clássicas de estimação de espectro e análise de correlação canônica (CCA - Canonical Correlation Analysis), um método comumente referenciado por seus bons resultados. Comparativos envolvendo variantes de pré-processamento baseados na filtragem espacial e na seleção de atributos também são apresentados. Dois conjuntos de dados foram analisados em ambiente off-line e um em tempo de execução. O primeiro conjunto de dados off-line foi analisado a partir da coleta de dados em cooperação científica no contexto do projeto DesTiNe, enquanto o segundo conjunto envolveu coleta de dados off-line e em tempo de execução no próprio laboratório de Métodos Computacionais para a Bioengenharia da UFABC. Como contribuições centrais podem-se mencionar: 1) comparativo de desempenho utilizando variantes de técnicas de filtragem espacial, extração e seleção de características em ambiente off-line; 2) implementação de um setup completo experimental para realização de experimentos BCI-SSVEP com neuro-feedback visual e auditivo; 3) Disponibilização de uma base de dados BCI-SSVEP contendo aquisições de 15 sujeitos com 12 sessões de 6 segundos para cada uma das 4 frequências (10, 11, 12 e 13 Hz), totalizando 48 sessões por sujeito, i.e. um total de 720 sessões de 6 s ou 4.320 s de dados disponibilizados para a comunidade científica; 4) Comparação de 3 métodos de extração de características em âmbito off-line (FFT, Welch e CCA); 5) Comparação de 2 métodos de extração de características em âmbito on-line, FFT e CCA; 6) Análise de desempenho on-line versus off-line. / Brain-computer interfaces (BCIs) define communication channels capable of mapping brain signals in control signals to external devices, without the use of biological efferents, using commonly non-invasive strategies for both, as obtained by surface electroencephalography. Among the main BCI paradigms are the steady state visually evoked potentials (SSVEP), which is based on the synchronization of the electrical activity of the visual cortex with external visual stimuli, thus allowing the identification of the electrodes and frequencies stimulus for discriminating the stimuli chosen by the user by modulating its attention. This BCI system paradigm has been widely used in the development of assistive technologies, which aim to increase the quality of life of patients with severe motor and communication limitations. In this context, this work presents contributions to the implementation of BCI-SSVEP systems operating offline and at run-time. To do so, we analyze here a set of signal processing structures that lead to the best pattern recognition performance considering classical techniques as spectrum estimation and Canonical Correlation Analysis (CCA), a commonly cited method for its good results. Comparisons involving preprocessing variants based on spatial filtering and attribute selection are also presented. Two sets of data were analyzed in an offline environment and one at run time. The first set of off-line data was analyzed from data collection in scientific cooperation in the context of DesTiNe project, while the second set involved off-line and run time data analysis in the Laboratory of Computational Methods for Bioengineering at UFABC. As central contributions may be mentioned: 1) comparative performance using variants of techniques of spatial filtering, feature extraction and feature selection in an offline environment; 2) implementation of a complete experimental setup to perform BCI-SSVEP experiments with visual and auditory neuro-feedback; 3) Availability of a BCI-SSVEP database containing acquisitions of 15 subjects with 12 sessions of 6 seconds for each of the 4 frequencies (10, 11, 12 and 13 Hz), totaling 48 sessions per subject, ie a total of 720 sessions of 6 s or 4,320 s of data made available to the scientific community; 4) Comparison of 3 methods of feature extraction in off-line environment (FFT, Welch and CCA); 5) Comparison of 2 methods of feature extraction in online scope, FFT and CCA; 6) Analysis of performance online versus offline.