{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3498011"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3498011","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Comparison of Representations of LFP Data for the Classification of Quiescent Segments in States of Epilepsy","abstract":"Η παρούσα διπλωματική εργασία εξετάζει την ταξινόμηση περιόδων ηρεμίας σε καταγραφές Τοπικών Δυναμικών Πεδίου (Local Field Potential, LFP) κατά τη διάρκεια διαφορετικών σταδίων πειραματικά επαγόμενης επιληπτογένεσης. Οι περίοδοι ηρεμίας, οι οποίες περιλαμβάνουν καταστάσεις μειωμένης νευρωνικής δραστηριότητας («Down States») του φλοιού και προ-επιληπτικές παύσεις, είναι συχνά οπτικά δυσδιάκριτες, ωστόσο ενδέχεται να ενσωματώνουν διαφορετικές νευροφυσιολογικές πληροφορίες. Χρησιμοποιώντας δεδομένα από εγκεφαλικές τομές σε μοντέλο επιληψίας χαμηλού μαγνησίου, εξήχθησαν 598 περίοδοι ηρεμίας και επισημάνθηκαν ως ενδογενείς, προ-διαχεόμενης εκπόλωσης (pre-Spreading Depolarization, pre-SD), μετά-SD (post-SD) ή επιληπτικές (ictal). Η μελέτη συγκρίνει τρεις αναπαραστάσεις δεδομένων συμβατές με μηχανική μάθηση—συνέλιξη με κυματίδια Morlet, αυτοπαλινδρόμηση και γράφους ν-γραμμάτων—ως προς την ικανότητά τους να διαφοροποιούν αυτές τις περιόδους χρησιμοποιώντας τον αλγόριθμο των k-Εγγυτέρων Γειτόνων (k-NN). Η απόδοση του μοντέλου αξιολογήθηκε μέσω διαστρωματωμένης διασταυρούμενης επικύρωσης 10 πτυχών (10-fold stratified crossvalidation), βάσει των μετρικών accuracy και macro-averaged F1-score. Η στατιστική ανάλυση έδειξε ότι η αυτο-παλινδρόμηση υπερέβη σταθερά των υπόλοιπων αναπαραστάσεων, υποδεικνύοντας τη σημασία της διατήρησης των χρονικών δυναμικών για την καταγραφή ουσιαστικών διαφορών μεταξύ των περιόδων ηρεμίας. Παρότι και οι τρεις αναπαραστάσεις ξεπέρασαν τα απλοϊκά μοντέλα, που χρησιμοποιήθηκαν ως μέτρα σύγκρισης, η προσέγγιση της αυτοπαλινδρόμησης πέτυχε τις πιο σημαντικές βελτιώσεις και στις δύο μετρικές. Τα ευρήματα αυτά υπογραμμίζουν την ύπαρξη λεπτών αλλά πλούσιων σε πληροφορίες διαφορών στις περιόδους ηρεμίας των LFP σημάτων σε διαφορετικές επιληπτικές καταστάσεις και αναδεικνύουν την αξία της χρονικής μοντελοποίησης κατά την εφαρμογή αλγορίθμων μηχανικής μάθησης στις νευροεπιστήμες.","abstract_html":"Η παρούσα διπλωματική εργασία εξετάζει την ταξινόμηση περιόδων ηρεμίας σε καταγραφές Τοπικών Δυναμικών Πεδίου (Local Field Potential, LFP) κατά τη διάρκεια διαφορετικών σταδίων πειραματικά επαγόμενης επιληπτογένεσης. Οι περίοδοι ηρεμίας, οι οποίες περιλαμβάνουν καταστάσεις μειωμένης νευρωνικής δραστηριότητας («Down States») του φλοιού και προ-επιληπτικές παύσεις, είναι συχνά οπτικά δυσδιάκριτες, ωστόσο ενδέχεται να ενσωματώνουν διαφορετικές νευροφυσιολογικές πληροφορίες. Χρησιμοποιώντας δεδομένα από εγκεφαλικές τομές σε μοντέλο επιληψίας χαμηλού μαγνησίου, εξήχθησαν 598 περίοδοι ηρεμίας και επισημάνθηκαν ως ενδογενείς, προ-διαχεόμενης εκπόλωσης (pre-Spreading Depolarization, pre-SD), μετά-SD (post-SD) ή επιληπτικές (ictal). Η μελέτη συγκρίνει τρεις αναπαραστάσεις δεδομένων συμβατές με μηχανική μάθηση—συνέλιξη με κυματίδια Morlet, αυτοπαλινδρόμηση και γράφους ν-γραμμάτων—ως προς την ικανότητά τους να διαφοροποιούν αυτές τις περιόδους χρησιμοποιώντας τον αλγόριθμο των k-Εγγυτέρων Γειτόνων (k-NN). Η απόδοση του μοντέλου αξιολογήθηκε μέσω διαστρωματωμένης διασταυρούμενης επικύρωσης 10 πτυχών (10-fold stratified crossvalidation), βάσει των μετρικών accuracy και macro-averaged F1-score. Η στατιστική ανάλυση έδειξε ότι η αυτο-παλινδρόμηση υπερέβη σταθερά των υπόλοιπων αναπαραστάσεων, υποδεικνύοντας τη σημασία της διατήρησης των χρονικών δυναμικών για την καταγραφή ουσιαστικών διαφορών μεταξύ των περιόδων ηρεμίας. Παρότι και οι τρεις αναπαραστάσεις ξεπέρασαν τα απλοϊκά μοντέλα, που χρησιμοποιήθηκαν ως μέτρα σύγκρισης, η προσέγγιση της αυτοπαλινδρόμησης πέτυχε τις πιο σημαντικές βελτιώσεις και στις δύο μετρικές. Τα ευρήματα αυτά υπογραμμίζουν την ύπαρξη λεπτών αλλά πλούσιων σε πληροφορίες διαφορών στις περιόδους ηρεμίας των LFP σημάτων σε διαφορετικές επιληπτικές καταστάσεις και αναδεικνύουν την αξία της χρονικής μοντελοποίησης κατά την εφαρμογή αλγορίθμων μηχανικής μάθησης στις νευροεπιστήμες.","abstract_has_math":false,"creators":["Κόκκινος Ευάγγελος-Αχιλλεύς","Kokkinos Evangelos-Achillefs"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:39Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3498011"],"render_values":[{"text":"uoadl:3498011","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3498011","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3498011","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3498011","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κόκκινος Ευάγγελος-Αχιλλεύς","Kokkinos Evangelos-Achillefs"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3498011","https://pergamos.lib.uoa.gr/uoa/dl/object/3498011"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία εξετάζει την ταξινόμηση περιόδων ηρεμίας σε καταγραφές Τοπικών Δυναμικών Πεδίου (Local Field Potential, LFP) κατά τη διάρκεια διαφορετικών σταδίων πειραματικά επαγόμενης επιληπτογένεσης. Οι περίοδοι ηρεμίας, οι οποίες περιλαμβάνουν καταστάσεις μειωμένης νευρωνικής δραστηριότητας («Down States») του φλοιού και προ-επιληπτικές παύσεις, είναι συχνά οπτικά δυσδιάκριτες, ωστόσο ενδέχεται να ενσωματώνουν διαφορετικές νευροφυσιολογικές πληροφορίες. Χρησιμοποιώντας δεδομένα από εγκεφαλικές τομές σε μοντέλο επιληψίας χαμηλού μαγνησίου, εξήχθησαν 598 περίοδοι ηρεμίας και επισημάνθηκαν ως ενδογενείς, προ-διαχεόμενης εκπόλωσης (pre-Spreading Depolarization, pre-SD), μετά-SD (post-SD) ή επιληπτικές (ictal). Η μελέτη συγκρίνει τρεις αναπαραστάσεις δεδομένων συμβατές με μηχανική μάθηση—συνέλιξη με κυματίδια Morlet, αυτοπαλινδρόμηση και γράφους ν-γραμμάτων—ως προς την ικανότητά τους να διαφοροποιούν αυτές τις περιόδους χρησιμοποιώντας τον αλγόριθμο των k-Εγγυτέρων Γειτόνων (k-NN). Η απόδοση του μοντέλου αξιολογήθηκε μέσω διαστρωματωμένης διασταυρούμενης επικύρωσης 10 πτυχών (10-fold stratified crossvalidation), βάσει των μετρικών accuracy και macro-averaged F1-score. Η στατιστική ανάλυση έδειξε ότι η αυτο-παλινδρόμηση υπερέβη σταθερά των υπόλοιπων αναπαραστάσεων, υποδεικνύοντας τη σημασία της διατήρησης των χρονικών δυναμικών για την καταγραφή ουσιαστικών διαφορών μεταξύ των περιόδων ηρεμίας. Παρότι και οι τρεις αναπαραστάσεις ξεπέρασαν τα απλοϊκά μοντέλα, που χρησιμοποιήθηκαν ως μέτρα σύγκρισης, η προσέγγιση της αυτοπαλινδρόμησης πέτυχε τις πιο σημαντικές βελτιώσεις και στις δύο μετρικές. Τα ευρήματα αυτά υπογραμμίζουν την ύπαρξη λεπτών αλλά πλούσιων σε πληροφορίες διαφορών στις περιόδους ηρεμίας των LFP σημάτων σε διαφορετικές επιληπτικές καταστάσεις και αναδεικνύουν την αξία της χρονικής μοντελοποίησης κατά την εφαρμογή αλγορίθμων μηχανικής μάθησης στις νευροεπιστήμες.","This thesis investigates the classification of quiescent segments in Local Field Potential (LFP) recordings across different stages of experimentally induced epileptogenesis. Quiescent periods, which include cortical Down states and pre-ictal pauses, are often visually indistinguishable yet may encode distinct neurophysiological states. Using data from acute brain slices in a low-magnesium model of epilepsy, 598 quiescent segments were extracted and labeled as endogenous, pre-spreading depolarization (pre-SD), post-SD, or ictal. The study compares three machine learning-compatible feature representations—complex Morlet wavelet convolution, autoregressive modeling, and n-gram graph encoding—in their ability to differentiate these segments using a k-Nearest Neighbors (k-NN) classifier. Model performance was evaluated using 10-fold stratified cross validation, with accuracy and macro-averaged F1-score as the main metrics. Statistical analysis revealed that autoregressive features consistently outperformed the other representations, indicating the importance of preserving temporal dynamics for capturing meaningful differences across quiescent states. While all three representations outperformed naive baselines, the autoregressive approach achieved the most significant improvements across both performance metrics. These findings highlight the existence of subtle but informative differences in the quiescent LFP segments across epileptic states and underscore the value of temporal modeling in neuroscience-focused machine learning pipelines."]},{"key":"dc:title","label":"Title","values":["Comparison of Representations of LFP Data for the Classification of Quiescent Segments in States of Epilepsy"]}]}],"canonical_facts":{"dc:creator":["Κόκκινος Ευάγγελος-Αχιλλεύς","Kokkinos Evangelos-Achillefs"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία εξετάζει την ταξινόμηση περιόδων ηρεμίας σε καταγραφές Τοπικών Δυναμικών Πεδίου (Local Field Potential, LFP) κατά τη διάρκεια διαφορετικών σταδίων πειραματικά επαγόμενης επιληπτογένεσης. Οι περίοδοι ηρεμίας, οι οποίες περιλαμβάνουν καταστάσεις μειωμένης νευρωνικής δραστηριότητας («Down States») του φλοιού και προ-επιληπτικές παύσεις, είναι συχνά οπτικά δυσδιάκριτες, ωστόσο ενδέχεται να ενσωματώνουν διαφορετικές νευροφυσιολογικές πληροφορίες. Χρησιμοποιώντας δεδομένα από εγκεφαλικές τομές σε μοντέλο επιληψίας χαμηλού μαγνησίου, εξήχθησαν 598 περίοδοι ηρεμίας και επισημάνθηκαν ως ενδογενείς, προ-διαχεόμενης εκπόλωσης (pre-Spreading Depolarization, pre-SD), μετά-SD (post-SD) ή επιληπτικές (ictal). Η μελέτη συγκρίνει τρεις αναπαραστάσεις δεδομένων συμβατές με μηχανική μάθηση—συνέλιξη με κυματίδια Morlet, αυτοπαλινδρόμηση και γράφους ν-γραμμάτων—ως προς την ικανότητά τους να διαφοροποιούν αυτές τις περιόδους χρησιμοποιώντας τον αλγόριθμο των k-Εγγυτέρων Γειτόνων (k-NN). Η απόδοση του μοντέλου αξιολογήθηκε μέσω διαστρωματωμένης διασταυρούμενης επικύρωσης 10 πτυχών (10-fold stratified crossvalidation), βάσει των μετρικών accuracy και macro-averaged F1-score. Η στατιστική ανάλυση έδειξε ότι η αυτο-παλινδρόμηση υπερέβη σταθερά των υπόλοιπων αναπαραστάσεων, υποδεικνύοντας τη σημασία της διατήρησης των χρονικών δυναμικών για την καταγραφή ουσιαστικών διαφορών μεταξύ των περιόδων ηρεμίας. Παρότι και οι τρεις αναπαραστάσεις ξεπέρασαν τα απλοϊκά μοντέλα, που χρησιμοποιήθηκαν ως μέτρα σύγκρισης, η προσέγγιση της αυτοπαλινδρόμησης πέτυχε τις πιο σημαντικές βελτιώσεις και στις δύο μετρικές. Τα ευρήματα αυτά υπογραμμίζουν την ύπαρξη λεπτών αλλά πλούσιων σε πληροφορίες διαφορών στις περιόδους ηρεμίας των LFP σημάτων σε διαφορετικές επιληπτικές καταστάσεις και αναδεικνύουν την αξία της χρονικής μοντελοποίησης κατά την εφαρμογή αλγορίθμων μηχανικής μάθησης στις νευροεπιστήμες.","This thesis investigates the classification of quiescent segments in Local Field Potential (LFP) recordings across different stages of experimentally induced epileptogenesis. Quiescent periods, which include cortical Down states and pre-ictal pauses, are often visually indistinguishable yet may encode distinct neurophysiological states. Using data from acute brain slices in a low-magnesium model of epilepsy, 598 quiescent segments were extracted and labeled as endogenous, pre-spreading depolarization (pre-SD), post-SD, or ictal. The study compares three machine learning-compatible feature representations—complex Morlet wavelet convolution, autoregressive modeling, and n-gram graph encoding—in their ability to differentiate these segments using a k-Nearest Neighbors (k-NN) classifier. Model performance was evaluated using 10-fold stratified cross validation, with accuracy and macro-averaged F1-score as the main metrics. Statistical analysis revealed that autoregressive features consistently outperformed the other representations, indicating the importance of preserving temporal dynamics for capturing meaningful differences across quiescent states. While all three representations outperformed naive baselines, the autoregressive approach achieved the most significant improvements across both performance metrics. These findings highlight the existence of subtle but informative differences in the quiescent LFP segments across epileptic states and underscore the value of temporal modeling in neuroscience-focused machine learning pipelines."],"dc:identifier":["uoadl:3498011","https://pergamos.lib.uoa.gr/uoa/dl/object/3498011"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Comparison of Representations of LFP Data for the Classification of Quiescent Segments in States of Epilepsy"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:39Z"}