Η παρούσα διπλωματική εργασία επικεντρώνεται στη μελέτη και ανάλυση σημάτων Μαγνητοεγκεφαλογραφήματος (ΜΕΓ) ασθενών με τη νόσο του Parkinson, με στόχο τη βαθύτερη κατανόηση της εγκεφαλικής δραστηριότητας και τη βελτίωση των μεθόδων ανάλυσης και ταξινόμησης. Για τον σκοπό αυτό εφαρμόστηκαν τεχνικές φασματικής ανάλυσης και μέθοδοι μηχανικής μάθησης, όπως ο αλγόριθμος k-Nearest Neighbor (k-NN), ο k-Means και τα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ). Η φασματική ανάλυση ανέδειξε τη σημασία των εγκεφαλικών ρυθμών για τη διάκριση μεταξύ παθολογικών και μη παθολογικών καταστάσεων, ενώ οι αλγόριθμοι μηχανικής μάθησης αξιολογήθηκαν ως προς την ικανότητά τους να αναγνωρίζουν σύνθετα μοτίβα και να ταξινομούν δεδομένα με ακρίβεια. Η σύγκριση των μεθόδων κατέδειξε την υπεροχή των ΤΝΔ στην αναγνώριση σύνθετων προτύπων και στην επίτευξη υψηλής ακρίβειας ταξινόμησης, καθιστώντας τα την πιο αποδοτική μέθοδο για τη μελέτη σύνθετων δεδομένων ΜΕΓ. Τα ευρήματα υποδεικνύουν ότι η συνδυαστική χρήση φασματικής ανάλυσης και μηχανικής μάθησης μπορεί να συμβάλει σημαντικά στη μελέτη νευρολογικών διαταραχών, προσφέροντας νέες δυνατότητες για τη βελτίωση της διάγνωσης. Επιπλέον, προτείνονται κατευθύνσεις για μελλοντική έρευνα, με στόχο την περαιτέρω ενίσχυση της κατανόησης και της διαγνωστικής ακρίβειας.

This thesis focuses on the study and analysis of Magnetoencephalography (MEG) signals from patients with Parkinson’s disease, aiming to deepen the understanding of brain activity and improve analysis and classification methods. To accomplish this task, techniques of spectral analysis and machine learning methods, such as the k-Nearest Neighbor (k-NN) algorithm, k-Means and Artificial Neural Networks (ANNs), were applied. The spectral analysis highlighted the importance of brain rhythms in distinguishing between pathological and non-pathological conditions, while machine learning algorithms were evaluated for their ability to recognize complex patterns and classify data accurately. The comparison of methods demonstrated the superiority of ANNs in identifying complex patterns and achieving high classification accuracy, establishing them as the most efficient approach for analyzing complex MEG data. The findings suggest that the combined use of spectral analysis and machine learning can significantly contribute to the study of neurological disorders, offering new opportunities to improve diagnosis. Furthermore, directions for future research are proposed, aiming to further enhance understanding and diagnostic accuracy.