Este projeto combina um sensor de EEG de baixo custo, como o AD8232, com modelos de inteligência artificial. Segundo o IBGE (2010), 6,2% da população brasileira possui algum tipo de deficiência motora, com 46,8% dessas pessoas enfrentando limitações graves. Além disso, apenas 18,4% têm acesso a serviços de reabilitação, o que evidencia a necessidade urgente de tecnologias assistivas acessíveis. As Interfaces Cérebro-Computador (BCI do inglês “Brain Computer Interface”) representam uma tecnologia emergente que permite a comunicação direta entre o cérebro e dispositivos externos, sendo uma solução promissora para ajudar pessoas com deficiências motoras. No entanto, os altos custos de interfaces não invasivas, como o EPOC da Emotiv na faixa de USD$ 999.00, mais impostos, dificultam o acesso para muitos. Os valores elevados dessas interfaces representam barreiras para a popularização de soluções mais acessíveis. Nesse contexto, o desenvolvimento de BCIs de baixo custo visa democratizar essa tecnologia. A redução nos investimentos em ciência e tecnologia no Brasil, caiu de R$ 8,4 bilhões em 2013 para R$ 2,7 bilhões em 2018 (Mugnatto, 2017) e a necessidade de alternativas de baixo custo é ainda mais evidente. O projeto está dividido em quatro macro etapas: coleta de dados, transformação dos dados, classificação dos sinais e automação. Na etapa de coleta de dados, o sensor AD8232 será adaptado para funcionar como um eletroencefalógrafo, com os eletrodos posicionados de acordo com o sistema internacional 10-20, fundamental para a captação precisa dos sinais cerebrais. Os sinais analógicos lidos serão digitalizados utilizando um microcontrolador ESP32, que transmitirá os dados para um computador PC via porta serial, onde um script em Python fará o processamento. Na etapa de transformação dos dados, os sinais cerebrais serão rotulados em um ambiente controlado, coletando dados enquanto o pesquisador executa uma ação específica. Esses dados rotulados serão submetidos a uma análise exploratória para identificar padrões, e filtros digitais serão aplicados para minimizar ruídos de alta frequência, interferências eletromagnéticas, bem como, separar e identificar baixas frequências nas faixas cerebrais, como descrito em estudos da Universidade Federal de Ouro Preto (2019). A transformação dos dados envolve a aplicação da Transformada Rápida de Fourier (FFT) sobre cada janela de dados, conforme a publicação no Journal PeerJ (2019), convertendo os sinais do domínio do tempo para o domínio da frequência e facilitando a identificação de padrões associados às ações motoras. Na etapa de classificação dos dados, são utilizados modelos de aprendizado de máquina, como K-Nearest Neighbors (KNN), Support Vector Machine (SVM) e classificadores lineares, treinados com os dados rotulados para classificar os sinais cerebrais captados. Após o processo de treinamento e teste dos modelos de classificação, o Gradient Boosting destacou-se com uma acurácia de 80%, tornando-se o modelo mais eficaz para a análise dos sinais cerebrais. Além disso, foram realizados testes de automação do sistema para validar o funcionamento prático do projeto, confirmando a tradução dos sinais cerebrais em ações concretas, como o acionamento de uma lâmpada, embora ainda esteja em fase de aperfeiçoamento para otimizar a classificação em tempo real. Palavras-chave: Interface Cérebro-Computador. Eletroencefalograma. Inteligência Artificial. Deficiências Motoras.