Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The detection of physiological signals from the Motor System (electromyographic signals), studied by electromyography, is being utilized in the practice clinic to guide the therapist in a more precise and accurate diagnosis of motor disorders. In this context, the process of decomposition of electromyographic signals (EMG) that includes the identification and classification of Motor Unit Action Potential (MUAP) of EMG signals, is very import to help the therapist in the evaluation of motor disorders The EMG decomposition is a complex task due to the features of the EMG features depend on the electrode type (needle or surface), its placement related to the muscle, the contraction level and the health of the Neuromuscular System. To date the majority of research on EMG decomposition utilizes EMG signals acquired by needle electrodes, due to their advantages in processing this type of signal. However, relatively little research has been conducted using surface based EMG signals. As such this thesis aims to contribute to the clinical practice and Biofeedback therapies by presenting a system permitting the decomposition of surface EMG signal via the use of Hidden Markov Models. This process is supported by the use of Differential Evolution and Spectral Clustering techniques. The developed system presented coherent results in: a) Identification of the number of Motor Units actives in the EMG signal; b) Presentation of the morphological patterns of MUAPs in the EMG signal; c) Identification of the firing sequence of the Motor Units. The Techniques utilized in this work have not yet been applied in the field of EMG decomposition and, in the end of this work, it was proved that they are excellent techniques for the surface EMG decomposition. The model proposed in this work is an advance in the research of decomposition of surface EMG signals. / A captação de sinais fisiológicos provenientes do Sistema Motor, que pode ser realizada pela eletromiografia, tem sido cada vez mais utilizada na prática clínica para auxiliar o terapeuta no diagnóstico de distúrbios motores. Desta forma, o processo de decomposição de sinais eletromiográficos (EMG), que inclui a identificação e classificação dos potenciais de ação de Unidade Motora (MUAP) de um sinal EMG de superfície é de extrema importância para a prática clínica, para auxiliar os profissionais na detecção de patologias do Sistema Motor. O processo de decomposição de um sinal EMG é uma tarefa complexa, pois as características de um sinal EMG dependem do tipo de eletrodo utilizado (intramuscular ou de superfície), do seu posicionamento em relação ao músculo, o nível de contração e o estado clínico do Sistema Neuromuscular do paciente. A maior parte dos sistemas de decomposição de sinais EMG são específicos para o sinal proveniente de eletrodos invasivos, devido às facilidades e vantagens em processar este tipo de sinal. Assim, poucos esforços foram concentrados no que tange à decomposição de sinais EMG de superfície. Neste contexto, este trabalho apresenta um sistema de decomposição de sinais EMG de superfície utilizando Modelos Ocultos de Markov, com o apoio das técnicas Evolução Diferencial e Agrupamento Espectral, no intuito de auxiliar a prática clínica e as terapias de Biofeedback. O sistema desenvolvido apresentou resultados coerentes no que tange a: a) Identificação da quantidade de Unidades Motoras ativas no sinal EMG; b) Apresentação dos padrões morfológicos de MUAPs presentes no sinal EMG; c) Identificação da seqüência de disparos das Unidades Motoras no sinal EMG analisado. As técnicas utilizadas neste trabalho ainda não tinham sido fruto de pesquisa na área de decomposição de sinais EMG, e se destacam como excelentes técnicas para processamento de sinal EMG de superfície. A arquitetura do modelo proposto constitui um avanço nas pesquisas de decomposição de eletromiografia de superfície. / Doutor em Ciências