Stress detection from EEG signals is a challenging problem, partly because stress is not expressed in a single, uniform way across tasks, subjects, or experimental conditions. This thesis examines the problem through a task-specific perspective, using the SAM-40 EEG dataset to study whether engineered EEG features can distinguish stress-inducing task conditions from a Relax reference condition. Three binary classification problems are considered separately: “Arithmetic trial versus Relax”, “Stroop trial versus Relax”, and “Mirror-image trial versus Relax”.
The methodology follows a reproducible computational pipeline. The SAM-40 EEG recordings are first inspected and organized, then segmented into fixed-length windows. From each window, engineered EEG features are extracted across the available channels, producing structured feature representations suitable for conventional machine-learning models and neural-network classifiers. To reduce the risk of overly optimistic performance estimates, all supervised experiments are evaluated using subject-wise cross-validation.
The experimental design compares several levels of modelling complexity. Conventional baseline classifiers are used to establish reference performance, full-feature multilayer perceptron models are trained on the complete engineered feature set, and genetic-algorithm feature selection is applied to search for compact feature subsets that can support competitive neural-network classification. The final comparison emphasizes trial-level macro-F1, balanced accuracy, class-wise F1 balance, fold stability, and feature compactness, while window-level metrics are treated as supporting diagnostic evidence.
Overall, this thesis aims to provide a transparent and reproducible evaluation of task-specific EEG-based short-term stress classification on SAM-40. Its main contribution is the comparison between full-feature and GA-selected compact-feature neural-network models under a leakage-aware evaluation protocol, while interpreting the results as dataset-specific task-condition classification rather than clinical stress diagnosis.

Η ανίχνευση του στρες μέσω ηλεκτροεγκεφαλογραφικών σημάτων αποτελεί ένα απαιτητικό ερευνητικό πρόβλημα, καθώς το στρες δεν εκφράζεται με έναν ενιαίο και ομοιόμορφο τρόπο μεταξύ διαφορετικών διεργασιών, υποκειμένων και πειραματικών συνθηκών. Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα από μια ειδική ως προς την διεργασία προσέγγιση, χρησιμοποιώντας το σύνολο δεδομένων SAM-40 για να διερευνηθεί κατά πόσο σχεδιασμένα χαρακτηριστικά EEG μπορούν να διακρίνουν συνθήκες που προκαλούν στρες από μια συνθήκη αναφοράς χαλάρωσης. Συγκεκριμένα, εξετάζονται τρία ξεχωριστά δυαδικά προβλήματα ταξινόμησης: «Αριθμητικό τεστ έναντι Χαλάρωσης», «Stroop τεστ έναντι Χαλάρωσης» και «Αναγνώριση κατοπτρικής εικόνας έναντι Χαλάρωσης».
Η μεθοδολογία ακολουθεί έναν αναπαραγωγίσιμο υπολογιστικό τρόπο επεξεργασίας. Οι EEG καταγραφές του SAM-40 αρχικά ελέγχονται και οργανώνονται, και στη συνέχεια χωρίζονται σε παράθυρα σταθερής διάρκειας. Από κάθε παράθυρο εξάγονται σχεδιασμένα χαρακτηριστικά EEG από τα διαθέσιμα κανάλια, δημιουργώντας δομημένες αναπαραστάσεις κατάλληλες για συμβατικά μοντέλα μηχανικής μάθησης και ταξινομητές νευρωνικών δικτύων. Για τη μείωση του κινδύνου υπεραισιόδοξων εκτιμήσεων απόδοσης, όλα τα επιβλεπόμενα πειράματα αξιολογούνται με διασταυρούμενη επικύρωση σε επίπεδο υποκειμένου.
Ο πειραματικός σχεδιασμός συγκρίνει διαφορετικά επίπεδα πολυπλοκότητας μοντέλων. Κλασικοί ταξινομητές βάσης χρησιμοποιούνται για τον καθορισμό σημείων αναφοράς, μοντέλα τύπου multilayer perceptron εκπαιδεύονται στο σύνολο των σχεδιασμένων χαρακτηριστικών, ενώ εφαρμόζεται επιλογή χαρακτηριστικών με Γενετικό Αλγόριθμο για την αναζήτηση πιο αποδοτικών υποσυνόλων χαρακτηριστικών, που μπορούν να υποστηρίξουν ανταγωνιστική ταξινόμηση με νευρωνικά δίκτυα. Η τελική σύγκριση δίνει έμφαση στη μετρική macro-F1 σε επίπεδο δοκιμής, στην ισορροπημένη ακρίβεια, στην ισορροπία των σκορ F1 ανά κλάση, στη σταθερότητα μεταξύ folds και στη «συμπίεση» των χαρακτηριστικών, ενώ οι μετρικές σε επίπεδο παραθύρου χρησιμοποιούνται ως υποστηρικτικά διαγνωστικά στοιχεία.
Συνολικά, η παρούσα εργασία έχει σκοπό να προσφέρει μια σταθερή και αναπαραγωγίσιμη αξιολόγηση της ειδικής ως προς την εργασία ΗΕΓ-βασισμένης ταξινόμησης βραχυπρόθεσμου στρες στο SAM-40. Η κύρια συνεισφορά της είναι η σύγκριση μεταξύ πλήρων και μερικών, επιλεγμένων μέσω Γενετικού Αλγορίθμου, αναπαραστάσεων χαρακτηριστικών για μοντέλα νευρωνικών δικτύων, υπό ένα πρωτόκολλο αξιολόγησης που λαμβάνει υπόψη την αποφυγή διαρροής πληροφορίας. Τα αποτελέσματα ερμηνεύονται ως ταξινόμηση πειραματικών συνθηκών, ειδικών στο συγκεκριμένο σύνολο δεδομένων, και όχι ως κλινική διάγνωση στρες.