O reconhecimento de padrões em séries temporais (RPST) é uma das sub-áreas da computação que mais crescem em pesquisas no mundo todo. Seu desenvolvimento exponencial tem estabelecido o crossover entre outras áreas, como a neurociência, por intermédio de diversas aplicações e soluções na área médica, no ensino e pesquisa. Embora haja avanço da RPST nas neurociências, ainda não foi desenvolvido um sistema com RPST que reconheça e elimine os artefatos do eletroencefalograma. Neste contexto, o objetivo deste estudo foi desenvolver um sistema com a utilização do RPST para identificar, analisar e eliminar os artefatos do sinal eletroencefalográfico. Para esta proposição foi utilizado a identificação de pontos criticos, ou seja, vales e picos que tornam possível a identificação de um comportamento padronizado pela RPST, com a utilização da regra de perceptually important points (PIPs). Em seguida, foram selecionados aleatoriamente 150 dados de sinal eletroencefalográfico com artefatos de piscada dos olhos, movimentos sacádicos, trincar dos dentes, movimento da língua e da boca. Os resultados parciais demonstram que o PIPs é uma métrica comparativa de RPST que pode ser utilizada como entrada em Redes Neuras Artificias (RNA) para categorizar o padrão do espectro do eletroencefalograma.