Η παρούσα διπλωματική εργασία διερεύνησε πιθανές μεταβολές στις EEG
μικροκαταστάσεις ασθενών με Πολλαπλή Σκλήρυνση (ΠΣ) μετά από παρέμβαση
γνωστικής εκπαίδευσης μέσω της πλατφόρμας BrainHQ. Οι μικροκαταστάσεις αποτελούν
σύντομα, σταθερά πρότυπα της εγκεφαλικής ηλεκτρικής δραστηριότητας και θεωρούνται
δείκτες της λειτουργικής δυναμικής μεγάλων εγκεφαλικών δικτύων. Για την ανάλυση
χρησιμοποιήθηκαν καταγραφές ηλεκτροεγκεφαλογραφήματος (EEG) κατά την
κατάσταση ηρεμίας με κλειστά μάτια, πριν και μετά την παρέμβαση. Η προεπεξεργασία
των δεδομένων πραγματοποιήθηκε στο περιβάλλον EEGLAB της MATLAB και
περιλάμβανε φιλτράρισμα, επαναδειγματοληψία, average reference, ICA για
απομάκρυνση τεχνουργημάτων, καθώς και έλεγχο και παρεμβολή καναλιών κακής
ποιότητας. Η ανάλυση μικροκαταστάσεων πραγματοποιήθηκε στο λογισμικό Cartool με
μεθοδολογία clustering και backfitting. Εξετάστηκαν παράμετροι όπως η Global Explained
Variance (GEV), η μέση διάρκεια, η συχνότητα εμφάνισης, η χρονική κάλυψη και οι
πιθανότητες μεταβάσεων μεταξύ μικροκαταστάσεων μέσω αλυσίδων Markov. Τα
αποτελέσματα έδειξαν ότι οι περισσότερες παράμετροι των μικροκαταστάσεων δεν
παρουσίασαν στατιστικά σημαντικές μεταβολές μετά την παρέμβαση. Η συνολική GEV
παρουσίασε μέση τιμή περίπου 57,46%, υποδεικνύοντας ικανοποιητική εξήγηση της
διακύμανσης του EEG σήματος από το μοντέλο των πέντε μικροκαταστάσεων. Η
μικροκατάσταση 4 παρουσίασε στατιστικά σημαντική μεταβολή στην GEV πριν τη
διόρθωση FDR, ενώ παρατηρήθηκαν επίσης τάσεις διαφοροποίησης στη συχνότητα
εμφάνισης, στη χρονική κάλυψη και στις μεταβάσεις μεταξύ των μικροκαταστάσεων 4 και
5. Ωστόσο, τα αποτελέσματα αυτά δεν παρέμειναν στατιστικά σημαντικά μετά τη
διόρθωση για πολλαπλές συγκρίσεις. Συνολικά, τα ευρήματα υποστηρίζουν ότι η ανάλυση
EEG μικροκαταστάσεων μπορεί να αποτελέσει χρήσιμο εργαλείο για τη διερεύνηση της
λειτουργικής εγκεφαλικής δυναμικής και των πιθανών επιδράσεων γνωστικών
παρεμβάσεων σε ασθενείς με Πολλαπλή Σκλήρυνση.

The present master's thesis investigated potential changes in EEG microstates in patients
with Multiple Sclerosis (MS) following a cognitive training intervention using the
BrainHQ platform. EEG microstates are brief, quasi-stable patterns of brain electrical
activity and are considered indicators of the functional dynamics of large-scale brain
networks. For the analysis, resting-state electroencephalography (EEG) recordings with
eyes closed were acquired before and after the intervention. Data preprocessing was
conducted using the EEGLAB/MATLAB environment and included filtering, resampling,
average referencing, Independent Component Analysis (ICA) for artifact removal, as well
as identification and interpolation of poor-quality channels. Microstate analysis was
performed using the Cartool software through clustering and backfitting methodologies.
Parameters examined included Global Explained Variance (GEV), mean duration,
occurrence rate, time coverage, and transition probabilities between microstates using
Markov chain analysis. The results showed that most microstate parameters did not exhibit
statistically significant changes following the intervention. The overall GEV demonstrated
a mean value of approximately 57.46%, indicating a satisfactory explanation of EEG signal
variance by the five-microstate model. Microstate 4 showed a statistically significant
change in GEV prior to False Discovery Rate (FDR) correction. Trends toward differences
were also observed in occurrence rate, time coverage, and transition probabilities between
microstates 4 and 5. However, these findings did not remain statistically significant after
correction for multiple comparisons. Overall, the findings suggest that EEG microstate
analysis may constitute a useful tool for investigating functional brain dynamics and the
potential effects of cognitive interventions in patients with Multiple Sclerosis.