Orientador: Prof. Dr. Ricardo Suyama / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2018. / Uma interface cerebro-computador (BCI) e projetada para que se consiga, de modo efetivo, fornecer uma via alternativa de comunicacao entre o cerebro do usuario e o computador. Sinais captados por meio de eletrodos, tipicamente posicionados no escalpo do individuo, sao previamente processados para que haja eliminacao de ruidos externos. A partir dai, diversas tecnicas para processamento de sinais sao utilizadas para posteriormente classificar os sinais registrados e realizar a traducao do estado mental do usuario em um comando especifico a ser executado pelo computador. No presente trabalho sao utilizadas tecnicas de representacao esparsa dos sinais para a extracao de caracteristicas relevantes para classificacao dos mesmos, com intuito de aumentar a robustez e melhorar o desempenho do sistema. Para a extracao de sinais esparsos, foram utilizados algoritmos de criacao de dicionarios, a partir dos quais e possivel obter uma representacao esparsa para todo o subespaco de sinal. No trabalho foram utilizados 5 diferentes algoritmos de criacao de dicionario: Metodo de direcoes otimas (MOD), K-SVD, RLS-DLA, LS-DLA e Aprendizado de dicionario Online (ODL). A classificacao dos sinais foi realizada com o metodo de .. vizinhos mais proximos (k - NN). Os resultados obtidos com a abordagem de representacao esparsa foram comparados com os resultados do BCI Competition IV dataset 2a. Para o primeiro colocado da competicao foi obtido, em termos do coeficiente kappa, uma acuracia de 0.57 enquanto que no trabalho utilizando os metodos esparsos, obteve-se, em coeficiente kappa, uma acuracia de 0.90. Em comparacao obteve-se um ganho de 0.33 de acuracia, onde se deduz que o uso de sinais esparsos pode ser benefico para o dificil problema de se projetar uma interface cerebro computador. / A brain computer interface (BCI) is designed to effectively translate commands thought by human individuals into commands that a computer can effectively understand. Electrical impulses generated from the brain sculp are recorded from a device called an electroencephalograph and are preprocessed for elimination of external noise. From there, several techniques for signal processing are used to later classify the signals obtained by the electroencephalograph. In this work, techniques for sparse representation of signals are used for feature extraction, in order to increase robustness and system performance. For the extraction of sparse signals, five different dictionary learning algorithms were used, being able to produce a basis capable of represensing the entire signal subspace. In this work, 5 different dictionary learning algorithms were used: Method of Optimal Directions (MOD), K-SVD, Recursive Least Square Dictionary Learning (RLS-DLA), Least Square Dictionary Learning (LS-DLA) and Online Dictionary Learning (ODL). For the classification task, the k-NN method was used. The simulation results obtained with this approach were compared with the best BCI Competition IV dataset 2a results. For the first place in the competition, an accuracy of 0.57 was obtained, in terms of the kappa coefficient, whereas in the work using the sparse methods, a kappa coefficient of 0.90 was obtainned, improving accuracy in 0.33 accuracy was obtained, which indicates that the use of sparse signals may be beneficial to the difficult problem of designing a brain computer interface.