This work presents a methodology to extract and evaluate signals in functional magnetic resonance imaging (fMRI) in the temporal dimension. It is assumed that it is possible to separate the signals from brain activations of a given protocol of other signals such as breathing, heartbeat, involuntary eye movements, and others. This paper proposes a methodological way, get through simulated and controlled measure the efficiency of the Model of Independent Component Analysis (ACI) for fMRI images to separate these signals experiments. To validate the experiments it was necessary to generate simulated data. The data generated were formed for three (3) signs that did not have a Gaussian distribution, in an array of temporal dimension 80 x 80 x 64. Within this set of signs have been added three (3) signal blocks of size 5 x 5 x 64 that simulated activations of FRH protocols. After this process, an array of mixture was added so that the signals could not be identified. Only after the data gave mixed-if the process of completing the pre-processing with the bleaching and centering of the variables to the model following ACI was performed to separate the signals that were mixed, thereby finding the estimated component signals. Different amounts of Gaussian signals were added until no more would be possible to extract the component which would correspond to a signal FRH testing the theory that ACI has efficiency in extracting components of non-Gaussian data. The model was run in real signals, where a volunteer performing a hearing protocol, the results data of each slice extracted resonance are evident throughout this work, in some slices was possible to extract the expected component with a degree of correlation between the acceptable component and signal protocol FRH, as in other slices could not perform the extraction of these signals. As a final result a statistical correlation map for each slice resulting from the estimated component and the raw data was generated, the signals were evaluated on the assumption of acceptance only to greater than 0.72 correlation with statistical significance at 95% confidence. / Este trabalho apresenta uma metodologia para extrair e avaliar sinais em imagens de ressonância magnética funcional (fMRI) na dimensão temporal. Assume-se que é possível separar os sinais de ativações cerebrais de um determinado protocolo dos demais sinais como respiração, batimentos cardíacos, movimentos involuntários dos olhos e outros. Este trabalho propõe de forma metodológica, buscar através de experimentos simulados e controlados medir a eficiência do Modelo de Análise de Componentes Independentes (ACI) em imagens de fMRI para separar esses sinais. Para validar os experimentos foi necessário gerar dados simulados. Os dados gerados foram formados por 3 (três) sinais que não possuíam distribuição gaussiana, em uma matriz temporal de dimensão 80 x 80 x 64. Dentro desse conjunto de sinais foram adicionados 3 (três) blocos de sinais de dimensão 5 x 5 x 64 que simulavam ativações de protocolos da FRH. Após esse processo uma matriz de mistura foi adicionada para que os sinais não pudessem ser identificados. Somente após os dados misturados deu-se o processo da realização do pré-processamento, com a centralização e o branqueamento das variáveis, para que na sequência o modelo de ACI fosse executado para separar os sinais que estavam misturados, encontrando assim as componentes estimadas dos sinais. Foram adicionadas diferentes quantidades de sinais gaussianos, até que não mais fosse possível extrair a componente que teria um sinal que correspondesse a FRH, testando a teoria de que ACI tem eficiência em extrair componentes de dados não gaussianas. O modelo foi executado em sinais reais, onde um voluntário executava um protocolo auditivo, os dados dos resultados de cada fatia extraída da ressonância estão evidenciados ao longo deste trabalho, em algumas fatias foi possível extrair a componente esperada com um grau de correlação aceitável entre a componente e o sinal do protocolo da FRH, já em outras fatias não foi possível realizar a extração desses sinais. Como resultado final foi gerado um mapa estatístico de correlação para cada fatia, resultante entre a componente estimada e os dados brutos, os sinais foram avaliados sobre a hipótese de aceitação apenas para correlação maior que 0,72 com significância estatística de 95% de confiança.