Η παρούσα διπλωματική εργασία εστιάζει στη μελέτη και ανάλυση στους Ταξινομητικούς Αλγόριθμους Μηχανικής Μάθησης, όπως αυτοί εφαρμόζονται σε σήματα Μαγνητοεγκεφαλογραφημάτων ασθενών με Σκλήρυνση κατά Πλάκας. Τα αποτελέσματα της έρευνας συνέβαλαν στην εμβάθυνση της κατανόησης της εγκεφαλικής δραστηριότητας σε παθολογικές καταστάσεις, ενώ ανέδειξαν σημαντικές παραμέτρους για την επιλογή και περαιτέρω βελτίωση των κατάλληλων εργαλείων ανάλυσης. Οι μέθοδοι k-NN και k-Means αποδείχθηκαν αποτελεσματικές για βασικές ταξινομήσεις και ομαδοποιήσεις, προσφέροντας ικανοποιητικά αποτελέσματα σε απλούστερες περιπτώσεις. Αντιθέτως, τα Τεχνητά Νευρωνικά Δίκτυα ξεχώρισαν για την ικανότητά τους να επεξεργάζονται σύνθετα και μη γραμμικά πρότυπα, επιτυγχάνοντας την υψηλότερη ακρίβεια ταξινόμησης. Παρά την αυξημένη υπολογιστική απαίτηση και την πολυπλοκότητα της αρχιτεκτονικής τους, τα ΤΝΔ επιβεβαίωσαν τη δυναμική τους ως ιδιαίτερα αποτελεσματικά εργαλεία για την ανάλυση σημάτων ΜΕΓ, παρέχοντας καλή ισορροπία μεταξύ ακρίβειας και γενίκευσης.

This thesis focuses on the study and analysis of Machine Learning Classification Algorithms, as applied to Magnetoencephalogram signals of patients with Multiple Sclerosis. The results of the research contributed to the deepening of the understanding of brain activity in pathological conditions, while highlighting important parameters for the selection and further improvement of appropriate analysis tools. The k-NN and k-Means methods proved to be effective for basic classifications and groupings, offering satisfactory results in simpler cases. On the contrary, Artificial Neural Networks stood out for their ability to process complex and nonlinear patterns, achieving the highest classification accuracy. Despite the increased computational requirement and the complexity of their architecture, ANNs have confirmed their potential as highly effective tools for analyzing MEG signals, providing a good balance between accuracy and generalization.