Este trabalho tem a finalidade de analisar algumas técnicas de processamento do sinal mioelétrico, de forma a possibilitar uma posterior implementação de um circuito, que reconheça este sinal e apresente como saída um sinal de controle a ser utilizado em sistemas de reabilitação. Foram simuladas e avaliadas três técnicas de filtragem para o sinal mioelétrico, a fim de atenuar a interferência dos principais ruídos que corrompem este sinal. As técnicas avaliadas foram: filtragem digital clássica; cancelamento de ruído adaptativo e reconstrução do sinal por meio das componentes obtidas pela transformada wavelet. Também foi implementado e analisado um sistema simplificado de reconhecimento dos padrões para este sinal, realizado por meio de uma rede neural artificial, em que foi aplicado em sua entrada o próprio sinal mioelétrico e não suas características obtidas por processamentos matemáticos. Diante dos resultados obtidos os canceladores de ruído adaptativos apresentaram melhores resultados com relação às outras técnicas de filtragem. Apesar de não ter sido adequada para a filtragem, a transformada wavelet mostrou-se uma poderosa ferramenta de análise de sinais, em virtude da sua característica multiresolução. A técnica utilizada para reconhecer os padrões do sinal mostrou bons resultados com os sinais analisados.

This work has the purpose to analyze some techniques for myoelectric signal processing, towards a subsequent implementation of a circuit which can recognize this signal and present as output a control signal to be used in rehabilitation systems. Simulation and evaluation of three filtering techniques for the myoelectric signal were done in order to attenuate the main interferences of noises which corrupt this signal. The evaluated techniques were: classic digital filtering; adaptive noise cancelling and the signal reconstruction through the obtained components by the wavelet transform. A simplified system of pattern recognition for this signal also was implemented and analyzed, accomplished through an artificial neural network. The myoelectric signal itself was applied to the input instead of its characteristics obtained by mathematical processing. According to the results obtained the adaptive noise cancelling presented better results in comparison to the other filtering techniques. Despite not being adequate for filtering, the wavelet transform proved to be a powerful tool for signal analysis, by virtue of its multiresolution characteristics. The technique used to recognize the signal patterns has shown good results with the analyzed signals.