Στην παρούσα εργασία θα μελετηθούν διάφορες στατιστικές μέθοδοι εξαγωγής χαρακτηριστικών (feature extraction) σήματος Μαγνητοεγκεφαλογραφήματος (MEG) και κατηγοριοποίησης των σημάτων σε επιληπτικά και υγιή ανάλογα με τα χαρακτηριστικά αυτά. Κατόπιν, θα δοκιμαστούν τεχνικές αυτόματης εξαγωγής χαρακτηριστικών με χρήση μεθόδων βαθιάς μάθησης με διάφορα μοντέλα Τεχνητών Νευρωνικών Δικτύων.
Σκοπός είναι να δοκιμαστούν διάφορα μοντέλα και τρόποι κατηγοριοποίησης σήματος MEG και να εξαχθούν κάποια πρώτα συμπεράσματα για τη λειτουργικότητα και αποτελεσματικότητα τους.
Θα στηριχθούμε στις θεωρητικές γνώσεις μας γύρω από τη νευρολογική βάση της επιληψίας, προηγούμενες μελέτες των απεικονίσεων και αναγνώριση των επιληπτικών κρίσεων με MEG αλλά και EEG καθώς και στη θεωρία γύρω από την επεξεργασία σημάτων. Θα εφαρμόσουμε κάποιες κλασσικές τεχνικές εξαγωγής στατιστικών από χρονοσειρές (time series) αλλά και μετασχηματισμό FFT, κάποιες απλές μεθόδους κατηγοριοποίησης (KMeans, kNN) αλλά και κάποιες πιο προηγμένες με χρήση Τεχνητών Νευρωνικών Δικτύων (FFNN, CNN, RNN και Inception V3). Τα συμπεράσματα της μελέτης είναι ιδιαίτερα ενθαρρυντικά και μπορούν να αποτελέσουν παρακαταθήκη για επόμενες και πιο ολοκληρωμένες μελέτες στην κατεύθυνση της αναγνώρισης και πρόληψης επιληπτικών κρίσεων και γενικότερα της επιληπτικής διαταραχής.

In this research we study several statistical methods for feature extraction from Magnetoencefalography (MEG) Signals and classification of these signals to two classes: epileptic and healthy, based on the extracted features. We, then, apply automated feature extraction techniques by means of deep learning using several Artificial Neural Network (ANN) models.
Our goal is to try various methods and models for MEG Signal classification and draw some conclusions about their functionality and effectiveness.
We base our study on our theoretical knowledge on the neurology of epilepsy, previous studies of epileptic seizure imaging and recognition using MEG and EEG as well as the Signal Processing Theory and techniques. We apply some classical techniques for statistical feature extraction from time series, Fast Fourrier Transform, some simple methods for classification and clustering (kNN and k-Means) and some more advanced methods with the use of several ANN like Feed-Forward ANN, Convolutional NN, Recurrent NN and Inception V3. The results of this study are very encouraging and can be a base for future research on the subject of epileptic seizure recognition, prediction and prevention.