Η ηλεκτροεγκεφαλογραφία (ΗΕΓ) υπάρχει από τις αρχές του 20ου αιώνα. Έχει αποδειχθεί ζωτικής σημασίας εργαλείο για ηλεκτροφυσιολογικές μελέτες καταστάσεων όπως η επιληψία. Πρόσφατα αναζωογονήθηκε, καθώς αναπτύχθηκε ο τομέας της μηχανικής μάθησης, διευρύνοντας τη χρησιμότητά της μεταξύ μιας πληθώρας νευρολογικών παθήσεων καθώς και σε εφαρμογές διεπαφής εγκεφάλου-υπολογιστή (BCI). Η παρούσα μελέτη εμβαθύνει στην περίπλοκη διαδικασία ταξινόμησης των σημάτων ΗΕΓ που προκαλούνται από οπτικά ερεθίσματα του υποκειμένου που βλέπει τα ψηφία 0 και 1 και μια κενή οθόνη. Επικεντρωνόμαστε στην ανάπτυξη μιας ολοκληρωμένης ροής εργασίας για την προεπεξεργασία του EEG, καθώς και την εξαγωγή χαρακτηριστικών και την ταξινόμηση του σήματος. Επιτυγχάνουμε ισχυρές δυνατότητες διαφοροποίησης μεταξύ ψηφίων και μη ψηφίων με όλους τους αλγορίθμους ταξινόμησης Ωστόσο, η μελέτη μας αναδεικνύει επίσης τις σημαντικές νευρολογικές προκλήσεις που αντιμετωπίζονται κατά τη διάκριση μεταξύ των ψηφίων, καθώς το μοντέλο μας, εμπνευσμένο από τη σχετική βιβλιογραφία, δεν ήταν σε θέση να διαφοροποιήσει τις τιμές 0 και 1. Τα ευρήματα αυτά υπογραμμίζουν την πολυπλοκότητα της αριθμητικής επεξεργασίας στον εγκέφαλο, αποκαλύπτοντας κρίσιμες πληροφορίες σχετικά με τους περιορισμούς και τις δυνατότητες της ταξινόμησης ψηφίων με βάση το EEG και αποκαλύπτει επίσης την ανάγκη για διαύγεια στην κοινότητα της βιοπληροφορικής.

Electroencephalography (EEG) has been around since the early 20th century. It has proven a vital tool for electrophysiological studies of conditions like epilepsy. Recently it has been revitalized, as the field of machine learning has been developing, widening its usefulness among a plethora of neurological conditions as well as in brain-computer interface (BCI) applications. This study delves into the intricate process of classifying EEG signals elicited by visual stimuli of subject viewing digits 0 and 1, and a blank screen. We focus on developing a comprehensive workflow for EEG preprocessing, as well as feature extraction, and signal classification. We achieve strong differentiation capabilities between digit and non-digit values in all classification algorithms. However, our study also highlights the profound neurological challenges encountered in distinguishing between the digit values, as our model, inspired from related bibliography, was unable to differentiate between digit values 0 and 1. These findings underscore the complexity of numerical processing in the brain, revealing critical insights into the limitations and potential of EEG-based digits classification and also reveals the need for clarity in the bioinformatics community.