Η παρούσα εργασία επικεντρώνεται στη διερεύνηση των δυνατοτήτων χρήσης Μηχανικής Μάθησης με τη βοήθεια αλγορίθμων συνελικτικών νευρωνικών δικτύων (convolutional neural networks, CNN) για την ταξινόμηση ΗΕΓ υγειών ή πασχόντων από νευροεκφυλιστικές ασθένειες και ειδικότερα, νόσο Αλτσχάιμερ (Alzheimer disease, AD) ή μετωπροκροταφική άνοια (Frontotemporal Dementia, FTD). Η ταξινόμηση περιορίζεται στη διάκριση της AD και/ή της FTD από μια ομάδα ελέγχου υγιών ατόμων (healthy cases, HC). Η απόδοση και η συμπεριφορά, του χρησιμοποιούμενου μοντέλου CNN, σε διαφορετικά σενάρια ταξινόμησης, αξιολογούνται χρησιμοποιώντας τυποποιημένες μετρικές, όπως Ακρίβεια Δοκιμών (Test Accuracy), Ακρίβεια (precision), Ανάκληση (recall), και F1-score. Χρησιμοποιούνται δύο σύνολα από καταγραφές ΗΕΓ ηρεμίας. Το πρώτο χρησιμοποιείται για την δημιουργία των αλγορίθμων και την βελτιστοποίηση των παραμέτρων τους και της συμπεριφοράς ταξινόμησης σύμφωνα με τις παραπάνω μετρικές. Επεκτείνουμε τα αποτελέσματα της μελέτης χρησιμοποιώντας το δεύτερο σύνολο δεδομένων με μηδαμινές αλλαγές στον υπάρχοντα κώδικα Matlab του μοντέλου. Από την εργασία συνάγεται ότι τα ΣΝΔ παρέχουν μια αποτελεσματική μέθοδο για την ταξινόμηση AD ή/και FTD με χρήση ΗΕΓ ηρεμίας με τα στάδια της διαδικασίας να παραμένουν διακριτά επιτρέποντας την περαιτέρω αυτοματοποίηση για βελτίωση της ακρίβειας ταξινόμησης. Από τη σύγκριση των αποτελεσμάτων των δύο συνόλων προκύπτει ότι η αύξηση των σημείων καταγραφής με παρεμβολή για τη διατήρηση του πλήθους των καναλιών είναι ιδιαίτερα επωφελής στη αύξηση της ακρίβειας ταξινόμησης.

The present study investigates the potential of utilizing Machine Learning, particularly convolutional neural network (CNN) algorithms, to classify resting-state EEG signals from individuals who are either healthy or affected by neurodegenerative diseases. The focus is specifically on distinguishing cases of Alzheimer's disease (AD) and/or frontotemporal dementia (FTD) from a healthy control (HC) group. The performance and behavior of the CNN model used in different classification scenarios are evaluated using standardized metrics, including Test Accuracy, Accuracy, Recall, and F1-score. Two sets of resting state EEG recordings are used. The first is used to create the algorithms and optimize their hyperparameters and the classification behavior according to the above metrics. We extend the results of the study using the second dataset with almost zero changes to the existing Matlab code of the model. CNN provide an efficient method for AD and/or FTD classification using resting state EEGs with process steps remaining distinct allowing for further automation to improve classification accuracy. A comparison of the results of the two sets suggests that increasing the recording points but using interpolation to maintain channel number is particularly beneficial in increasing classification accuracy.