Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2016-07-11T17:32:14Z No. of bitstreams: 1 JhonnataBezerraDeCarvalho_DISSERT.pdf: 3154941 bytes, checksum: aab207a1be81d327327698a3f8ff9a2d (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2016-07-15T21:46:07Z (GMT) No. of bitstreams: 1 JhonnataBezerraDeCarvalho_DISSERT.pdf: 3154941 bytes, checksum: aab207a1be81d327327698a3f8ff9a2d (MD5) / Made available in DSpace on 2016-07-15T21:46:07Z (GMT). No. of bitstreams: 1 JhonnataBezerraDeCarvalho_DISSERT.pdf: 3154941 bytes, checksum: aab207a1be81d327327698a3f8ff9a2d (MD5) Previous issue date: 2016-02-03 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior (CAPES) / O classificador M?quina de Suporte Vetorial, que vem do termo em ingl?s \textit{Support Vector Machine}, ? utilizado em diversos problemas em v?rias ?reas do conhecimento. Basicamente o m?todo utilizado nesse classificador ? encontrar o hiperplano que maximiza a dist?ncia entre os grupos, para aumentar o poder de generaliza??o do classificador. Neste trabalho, s?o tratados alguns problemas de classifica??o bin?ria com dados obtidos atrav?s da eletroencefalografia (EEG) e eletromiografia (EMG), utilizando a M?quina de Suporte Vetorial com algumas t?cnicas complementares, destacadas a seguir como: An?lise de Componentes Principais para a identifica??o de regi?es ativas do c?rebro, o m?todo do periodograma que ? obtido atrav?s da An?lise de Fourier, para ajudar a discriminar os grupos e a suaviza??o por M?dias M?veis Simples para a redu??o dos ru?dos existentes nos dados. Foram desenvolvidas duas fun??es no $software$ \textbf{R}, para a realiza??o das tarefas de treinamento e classifica??o. Al?m disso, foram propostos 2 sistemas de pesos e uma medida sumarizadora para auxiliar na decis?o do grupo pertencente. A aplica??o dessas t?cnicas, pesos e a medida sumarizadora no classificador, mostraram resultados bastantes satisfat?rios, em que os melhores resultados encontrados foram, uma taxa m?dia de acerto de 95,31\% para dados de est?mulos visuais, 100\% de classifica??o correta para dados de epilepsia e taxas de acerto de 91,22\% e 96,89\% para dados de movimentos de objetos para dois indiv?duos. / The classifier support vector machine is used in several problems in various areas of knowledge. Basically the method used in this classier is to end the hyperplane that maximizes the distance between the groups, to increase the generalization of the classifier. In this work, we treated some problems of binary classification of data obtained by electroencephalography (EEG) and electromyography (EMG) using Support Vector Machine with some complementary techniques, such as: Principal Component Analysis to identify the active regions of the brain, the periodogram method which is obtained by Fourier analysis to help discriminate between groups and Simple Moving Average to eliminate some of the existing noise in the data. It was developed two functions in the software R, for the realization of training tasks and classification. Also, it was proposed two weights systems and a summarized measure to help on deciding in classification of groups. The application of these techniques, weights and the summarized measure in the classier, showed quite satisfactory results, where the best results were an average rate of 95.31% to visual stimuli data, 100% of correct classification for epilepsy data and rates of 91.22% and 96.89% to object motion data for two subjects.