Η παρούσα διπλωματική εργασία διερευνά τη δυναμική συμπεριφορά του ανθρώπινου

εγκεφάλου κατά τη διάρκεια επιληπτικής κρίσης μέσω της ανάλυσης σημάτων

μαγνητοεγκεφαλογραφίας (MEG). Εφαρμόζονται μέθοδοι μη γραμμικής ανάλυσης, όπως

η ανακατασκευή χώρου φάσεων με τη μέθοδο Takens και ο υπολογισμός της

μορφοκλασματικής διάστασης (fractal dimension,FD) με τον αλγόριθμο Grassberger-

Procaccia , σε μονοδιάστατα και πολυδιάστατα δεδομένα MEG.

Η μελέτη βασίστηκε σε δεδομένα MEG 122 καναλιών από έναν ασθενή με επιληψία, τα

οποία αναλύθηκαν με τη χρήση προγραμμάτων MATLAB/Octave. Αρχικά, υπολογίστηκε

η FD σε κάθε κανάλι ξεχωριστά. Στη συνέχεια, επιλέχθηκαν τα τέσσερα κανάλια με τις

υψηλότερες συσχετίσεις μεταξύ τους και αναλύθηκαν περαιτέρω, υπολογίζοντας την

αλληλοσυνάφεια και την ετεροσυσχέτισή τους.

Τα αποτελέσματα έδειξαν ότι η FD των σημάτων MEG μεταβάλλεται ανάλογα με το

κανάλι και τη μέθοδο ανακατασκευής του χώρου φάσεων, υποδεικνύοντας διαφορετικά

επίπεδα πολυπλοκότητας σε διαφορετικές περιοχές του εγκεφάλου. Η ανάλυση της

αλληλοσυνάφειας και της ετεροσυσχέτισης αποκάλυψε σημαντικές συσχετίσεις μεταξύ

των τεσσάρων καναλιών σε συγκεκριμένες συχνότητες, υποδεικνύοντας τη λειτουργική

συνδεσιμότητα μεταξύ των αντίστοιχων περιοχών του εγκεφάλου.

Η μελέτη αυτή συμβάλλει στην κατανόηση της πολυπλοκότητας και της δυναμικής της

εγκεφαλικής δραστηριότητας κατά τη διάρκεια επιληπτικής κρίσης, καθώς και στη

διερεύνηση της λειτουργικής συνδεσιμότητας μεταξύ διαφορετικών περιοχών του

εγκεφάλου. Τα ευρήματα της έρευνας μπορούν να βρουν εφαρμογή σε διάφορους τομείς,

όπως η νευροεπιστήμη, η ψυχιατρική και η νευρολογία, και να συμβάλουν στην ανάπτυξη

νέων διαγνωστικών και θεραπευτικών εργαλείων για την επιληψία.

This thesis investigates the dynamic behavior of the human brain during an epileptic

seizure through the analysis of magnetoencephalography (MEG) signals. Nonlinear

analysis methods, such as phase space reconstruction using the Takens method and the

calculation of the fractal dimension (FD) using the Grassberger-Procaccia algorithm , are

applied to univariate and multivariate MEG data.

The study was based on MEG data from 122 channels of a patient with epilepsy, which

were analyzed using MATLAB/Octave programs. Initially, the FD was calculated for each

channel separately. Then, the four channels with the highest correlations between them

were selected and further analyzed, calculating their coherence and cross-correlation.

The results showed that the FD of MEG signals varies depending on the channel and the

method of phase space reconstruction, indicating different levels of complexity in different

brain regions. The analysis of coherence and cross-correlation revealed significant

correlations between the four channels at specific frequencies, suggesting functional

connectivity between the corresponding brain regions.

This study contributes to the understanding of the complexity and dynamics of brain

activity during an epileptic seizure, as well as to the investigation of functional

connectivity between different areas of the brain. The research findings can be applied in

various fields, such as neuroscience, psychiatry and neurology, and may contribute to

developing new diagnostic and therapeutic tools for epilepsy.