{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3501172"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3501172","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόγνωση του σήματος LFP κατά τη μετάβασή του σε επιληπτική κατάσταση, με τη χρήση LSTM αναδρομικών νευρωνικών δικτύων","abstract":"Η επιληψία είναι μια συχνή νευρολογική νόσος από την οποία πάσχουν εκατομμύρια άνθρωποι στον πλανήτη. Παρά τις σημαντικές εξελίξεις στη θεραπεία της επιληψίας, υπάρχουν ανθεκτικές περιπτώσεις οι οποίες δεν αντιμετωπίζονται αποτελεσματικά. Για την ανάπτυξη νέων θεραπειών κρίνεται ωφέλιμη η κατανόηση σε βάθος του πλήθους των μηχανισμών που συμβάλουν στην πρόκληση των επιληπτικών κρίσεων. Η μελέτη αυτή αφορά ένα τέτοιο μηχανισμό πρόκλησης της επιληψίας μέσω πρωτοκόλ- λου χαμηλού μαγνησίου. Στην παρούσα εργασία, για τη μελέτη της επιληψίας χρησι- μοποιήθηκαν καταγραφές LFP από εγκεφαλικές φέτες ποντικών στις οποίες έχει αφαι- ρεθεί το μαγνήσιο για εξελιχθεί το σήμα LFP σε επιληπτικό. Στόχος της εργασίας είναι η εκπαίδευση αλγόριθμων μηχανικής μάθησης στο έργο της πρόγνωσης του σήματος LFP, καθώς αυτό εξελίσσεται σε επιληπτικό. Η αρχική ιδέα πίσω από τη συγκεκριμένη προσέγγιση είναι ότι αν ένας αλγόριθμος μηχανικής μάθησης μπορεί να προβλέψει πότε το σήμα θα γίνει επιληπτικό, χρησιμοποιώντας το σήμα που προηγείται χρονικά, τότε στο σήμα θα εμπεριέχεται η πληροφορία για τη μετάβαση στην επιληπτική κατάσταση. Για την πρόγνωση του σήματος δοκιμάστηκαν οι μέθοδοι πρόγνωσης: Exponential Smoothing, Moving Average, ARMA, ARIMA, Autoregression, KNN regressor, Decision Tree Regressor, Random Forest Regressor, Support Vector Regresssor, Multilayer Perceptron Regresson, Hidden Markov Models και Long Short-Term Memory RNN’s. Από αυτές τις μεθόδους ως πιο αποτελεσματικές κρίθηκαν οι αυτοπαλινδρόμηση και τα LSTM αναδρομικά νευρωνικά δίκτυα. Τα LSTM αναδρομικά νευρωνικά δίκτυα επιλέχθηκαν ως η πιο υποσχόμενη μέθοδος λόγω της αποτελεσματικότητάς τους, της καταλληλότητας τους για ακολουθιακά δε- δομένα, τη δυνατότητα χειρισμού μεγάλου όγκου δεδομένων και των σημαντικών πε- ριθωρίων βελτίωσης που τα χαρακτηρίζουν. Ως στόχος της εργασίας επιλέχθηκε αξιο- λόγηση της αποτελεσματικότητας ενός LSTM αναδρομικού νευρωνικού δικτύου ώστε αυτό να προγνώσει το σήμα LFP καθώς αυτό εξελίσσεται σε επιληπτικό. Μετά το πέρας των πειραμάτων δοκιμάστηκαν κάποιες πιο σύνθετες αρχιτεκτονικές γιτ την πρόγνωη του LFP (LSTM με ResNet, CNN νευρωνικό δίκτυο, CNN-LSTM, LSTM Encoder- Decoder, LSTM Encoder-Decoder με μηχανισμό προσοχής) οι οποίες παρουσιάζονται στο παράρτημα. Τα αποτελέσματα ρίχνουν φως στις δυσκολίες και τις δυνατότητες που ανακύπτουν κατά την πρόγνωση των ηλεκτροεγκεφαλογραφικών καταγραφών του εγκεφάλου.","abstract_html":"Η επιληψία είναι μια συχνή νευρολογική νόσος από την οποία πάσχουν εκατομμύρια άνθρωποι στον πλανήτη. Παρά τις σημαντικές εξελίξεις στη θεραπεία της επιληψίας, υπάρχουν ανθεκτικές περιπτώσεις οι οποίες δεν αντιμετωπίζονται αποτελεσματικά. Για την ανάπτυξη νέων θεραπειών κρίνεται ωφέλιμη η κατανόηση σε βάθος του πλήθους των μηχανισμών που συμβάλουν στην πρόκληση των επιληπτικών κρίσεων. Η μελέτη αυτή αφορά ένα τέτοιο μηχανισμό πρόκλησης της επιληψίας μέσω πρωτοκόλ- λου χαμηλού μαγνησίου. Στην παρούσα εργασία, για τη μελέτη της επιληψίας χρησι- μοποιήθηκαν καταγραφές LFP από εγκεφαλικές φέτες ποντικών στις οποίες έχει αφαι- ρεθεί το μαγνήσιο για εξελιχθεί το σήμα LFP σε επιληπτικό. Στόχος της εργασίας είναι η εκπαίδευση αλγόριθμων μηχανικής μάθησης στο έργο της πρόγνωσης του σήματος LFP, καθώς αυτό εξελίσσεται σε επιληπτικό. Η αρχική ιδέα πίσω από τη συγκεκριμένη προσέγγιση είναι ότι αν ένας αλγόριθμος μηχανικής μάθησης μπορεί να προβλέψει πότε το σήμα θα γίνει επιληπτικό, χρησιμοποιώντας το σήμα που προηγείται χρονικά, τότε στο σήμα θα εμπεριέχεται η πληροφορία για τη μετάβαση στην επιληπτική κατάσταση. Για την πρόγνωση του σήματος δοκιμάστηκαν οι μέθοδοι πρόγνωσης: Exponential Smoothing, Moving Average, ARMA, ARIMA, Autoregression, KNN regressor, Decision Tree Regressor, Random Forest Regressor, Support Vector Regresssor, Multilayer Perceptron Regresson, Hidden Markov Models και Long Short-Term Memory RNN’s. Από αυτές τις μεθόδους ως πιο αποτελεσματικές κρίθηκαν οι αυτοπαλινδρόμηση και τα LSTM αναδρομικά νευρωνικά δίκτυα. Τα LSTM αναδρομικά νευρωνικά δίκτυα επιλέχθηκαν ως η πιο υποσχόμενη μέθοδος λόγω της αποτελεσματικότητάς τους, της καταλληλότητας τους για ακολουθιακά δε- δομένα, τη δυνατότητα χειρισμού μεγάλου όγκου δεδομένων και των σημαντικών πε- ριθωρίων βελτίωσης που τα χαρακτηρίζουν. Ως στόχος της εργασίας επιλέχθηκε αξιο- λόγηση της αποτελεσματικότητας ενός LSTM αναδρομικού νευρωνικού δικτύου ώστε αυτό να προγνώσει το σήμα LFP καθώς αυτό εξελίσσεται σε επιληπτικό. Μετά το πέρας των πειραμάτων δοκιμάστηκαν κάποιες πιο σύνθετες αρχιτεκτονικές γιτ την πρόγνωη του LFP (LSTM με ResNet, CNN νευρωνικό δίκτυο, CNN-LSTM, LSTM Encoder- Decoder, LSTM Encoder-Decoder με μηχανισμό προσοχής) οι οποίες παρουσιάζονται στο παράρτημα. Τα αποτελέσματα ρίχνουν φως στις δυσκολίες και τις δυνατότητες που ανακύπτουν κατά την πρόγνωση των ηλεκτροεγκεφαλογραφικών καταγραφών του εγκεφάλου.","abstract_has_math":false,"creators":["Κουτίνος Σωτήρης","Koutinos Sotiris"],"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":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3501172"],"render_values":[{"text":"uoadl:3501172","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3501172","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3501172","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%3A3501172","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κουτίνος Σωτήρης","Koutinos Sotiris"]}]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3501172","https://pergamos.lib.uoa.gr/uoa/dl/object/3501172"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η επιληψία είναι μια συχνή νευρολογική νόσος από την οποία πάσχουν εκατομμύρια άνθρωποι στον πλανήτη. Παρά τις σημαντικές εξελίξεις στη θεραπεία της επιληψίας, υπάρχουν ανθεκτικές περιπτώσεις οι οποίες δεν αντιμετωπίζονται αποτελεσματικά. Για την ανάπτυξη νέων θεραπειών κρίνεται ωφέλιμη η κατανόηση σε βάθος του πλήθους των μηχανισμών που συμβάλουν στην πρόκληση των επιληπτικών κρίσεων. Η μελέτη αυτή αφορά ένα τέτοιο μηχανισμό πρόκλησης της επιληψίας μέσω πρωτοκόλ- λου χαμηλού μαγνησίου. Στην παρούσα εργασία, για τη μελέτη της επιληψίας χρησι- μοποιήθηκαν καταγραφές LFP από εγκεφαλικές φέτες ποντικών στις οποίες έχει αφαι- ρεθεί το μαγνήσιο για εξελιχθεί το σήμα LFP σε επιληπτικό. Στόχος της εργασίας είναι η εκπαίδευση αλγόριθμων μηχανικής μάθησης στο έργο της πρόγνωσης του σήματος LFP, καθώς αυτό εξελίσσεται σε επιληπτικό. Η αρχική ιδέα πίσω από τη συγκεκριμένη προσέγγιση είναι ότι αν ένας αλγόριθμος μηχανικής μάθησης μπορεί να προβλέψει πότε το σήμα θα γίνει επιληπτικό, χρησιμοποιώντας το σήμα που προηγείται χρονικά, τότε στο σήμα θα εμπεριέχεται η πληροφορία για τη μετάβαση στην επιληπτική κατάσταση. Για την πρόγνωση του σήματος δοκιμάστηκαν οι μέθοδοι πρόγνωσης: Exponential Smoothing, Moving Average, ARMA, ARIMA, Autoregression, KNN regressor, Decision Tree Regressor, Random Forest Regressor, Support Vector Regresssor, Multilayer Perceptron Regresson, Hidden Markov Models και Long Short-Term Memory RNN’s. Από αυτές τις μεθόδους ως πιο αποτελεσματικές κρίθηκαν οι αυτοπαλινδρόμηση και τα LSTM αναδρομικά νευρωνικά δίκτυα. Τα LSTM αναδρομικά νευρωνικά δίκτυα επιλέχθηκαν ως η πιο υποσχόμενη μέθοδος λόγω της αποτελεσματικότητάς τους, της καταλληλότητας τους για ακολουθιακά δε- δομένα, τη δυνατότητα χειρισμού μεγάλου όγκου δεδομένων και των σημαντικών πε- ριθωρίων βελτίωσης που τα χαρακτηρίζουν. Ως στόχος της εργασίας επιλέχθηκε αξιο- λόγηση της αποτελεσματικότητας ενός LSTM αναδρομικού νευρωνικού δικτύου ώστε αυτό να προγνώσει το σήμα LFP καθώς αυτό εξελίσσεται σε επιληπτικό. Μετά το πέρας των πειραμάτων δοκιμάστηκαν κάποιες πιο σύνθετες αρχιτεκτονικές γιτ την πρόγνωη του LFP (LSTM με ResNet, CNN νευρωνικό δίκτυο, CNN-LSTM, LSTM Encoder- Decoder, LSTM Encoder-Decoder με μηχανισμό προσοχής) οι οποίες παρουσιάζονται στο παράρτημα. Τα αποτελέσματα ρίχνουν φως στις δυσκολίες και τις δυνατότητες που ανακύπτουν κατά την πρόγνωση των ηλεκτροεγκεφαλογραφικών καταγραφών του εγκεφάλου.","Epilepsy is a common neurological disorder that affects millions of people worldwide. Despite significant advances in epilepsy treatment, there are resistant cases that that cannot be effectively managed. Developing new treatments requires a deep understanding of the various mechanisms that contribute to epileptic seizures. This study focuses on one such mechanism of epilepsy induction through low magnesium protocol. In this work, epilepsy was studied through LFP recordings from mouse brain slices, where magnesium was removed to allow the LFP signal to evolve into an epileptic state. The objective of the study is to train machine learning algorithms to forecast the LFP signal as it transitions into an epileptic state. The core idea behind this approach is that if a machine learning algorithm can predict when the signal will become epileptic using preceding signals, then the signal itself must contain information about the transition to the epileptic state. For signal forecasting, the following methods were utilized: Exponential Smoothing, Moving Average, ARMA, ARIMA, Autoregression, KNN Regressor, Decision Tree Regressor, Random Forest Regressor, Support Vector Regressor, Multilayer Perceptron Regressor, Hidden Markov Models, and Long Short-Term Memory (LSTM) RNNs. Among these methods, Autoregression and LSTM-RNN’s were found to be the most effective. LSTM recurrent neural networks were selected as the most promising method due to their efficiency, suitability for sequential data, ability to handle large datasets, and significant potential for improvement. The study aims to evaluate the effectiveness of an LSTM recurrent neural network in predicting the LFP signal as it transitions into an epileptic state. After completing the experiments, more complex architectures were tested for LFP prediction, including LSTM with ResNet, CNN neural networks, CNN-LSTM, LSTM Encoder-Decoder, and LSTM Encoder-Decoder with an attention mechanism. These are presented in the appendix. The results shed light on the challenges and opportunities in predicting electroencephalographic recordings of the brain."]},{"key":"dc:title","label":"Title","values":["Πρόγνωση του σήματος LFP κατά τη μετάβασή του σε επιληπτική κατάσταση, με τη χρήση LSTM αναδρομικών νευρωνικών δικτύων"]}]}],"canonical_facts":{"dc:creator":["Κουτίνος Σωτήρης","Koutinos Sotiris"],"dc:date":["2025"],"dc:description":["Η επιληψία είναι μια συχνή νευρολογική νόσος από την οποία πάσχουν εκατομμύρια άνθρωποι στον πλανήτη. Παρά τις σημαντικές εξελίξεις στη θεραπεία της επιληψίας, υπάρχουν ανθεκτικές περιπτώσεις οι οποίες δεν αντιμετωπίζονται αποτελεσματικά. Για την ανάπτυξη νέων θεραπειών κρίνεται ωφέλιμη η κατανόηση σε βάθος του πλήθους των μηχανισμών που συμβάλουν στην πρόκληση των επιληπτικών κρίσεων. Η μελέτη αυτή αφορά ένα τέτοιο μηχανισμό πρόκλησης της επιληψίας μέσω πρωτοκόλ- λου χαμηλού μαγνησίου. Στην παρούσα εργασία, για τη μελέτη της επιληψίας χρησι- μοποιήθηκαν καταγραφές LFP από εγκεφαλικές φέτες ποντικών στις οποίες έχει αφαι- ρεθεί το μαγνήσιο για εξελιχθεί το σήμα LFP σε επιληπτικό. Στόχος της εργασίας είναι η εκπαίδευση αλγόριθμων μηχανικής μάθησης στο έργο της πρόγνωσης του σήματος LFP, καθώς αυτό εξελίσσεται σε επιληπτικό. Η αρχική ιδέα πίσω από τη συγκεκριμένη προσέγγιση είναι ότι αν ένας αλγόριθμος μηχανικής μάθησης μπορεί να προβλέψει πότε το σήμα θα γίνει επιληπτικό, χρησιμοποιώντας το σήμα που προηγείται χρονικά, τότε στο σήμα θα εμπεριέχεται η πληροφορία για τη μετάβαση στην επιληπτική κατάσταση. Για την πρόγνωση του σήματος δοκιμάστηκαν οι μέθοδοι πρόγνωσης: Exponential Smoothing, Moving Average, ARMA, ARIMA, Autoregression, KNN regressor, Decision Tree Regressor, Random Forest Regressor, Support Vector Regresssor, Multilayer Perceptron Regresson, Hidden Markov Models και Long Short-Term Memory RNN’s. Από αυτές τις μεθόδους ως πιο αποτελεσματικές κρίθηκαν οι αυτοπαλινδρόμηση και τα LSTM αναδρομικά νευρωνικά δίκτυα. Τα LSTM αναδρομικά νευρωνικά δίκτυα επιλέχθηκαν ως η πιο υποσχόμενη μέθοδος λόγω της αποτελεσματικότητάς τους, της καταλληλότητας τους για ακολουθιακά δε- δομένα, τη δυνατότητα χειρισμού μεγάλου όγκου δεδομένων και των σημαντικών πε- ριθωρίων βελτίωσης που τα χαρακτηρίζουν. Ως στόχος της εργασίας επιλέχθηκε αξιο- λόγηση της αποτελεσματικότητας ενός LSTM αναδρομικού νευρωνικού δικτύου ώστε αυτό να προγνώσει το σήμα LFP καθώς αυτό εξελίσσεται σε επιληπτικό. Μετά το πέρας των πειραμάτων δοκιμάστηκαν κάποιες πιο σύνθετες αρχιτεκτονικές γιτ την πρόγνωη του LFP (LSTM με ResNet, CNN νευρωνικό δίκτυο, CNN-LSTM, LSTM Encoder- Decoder, LSTM Encoder-Decoder με μηχανισμό προσοχής) οι οποίες παρουσιάζονται στο παράρτημα. Τα αποτελέσματα ρίχνουν φως στις δυσκολίες και τις δυνατότητες που ανακύπτουν κατά την πρόγνωση των ηλεκτροεγκεφαλογραφικών καταγραφών του εγκεφάλου.","Epilepsy is a common neurological disorder that affects millions of people worldwide. Despite significant advances in epilepsy treatment, there are resistant cases that that cannot be effectively managed. Developing new treatments requires a deep understanding of the various mechanisms that contribute to epileptic seizures. This study focuses on one such mechanism of epilepsy induction through low magnesium protocol. In this work, epilepsy was studied through LFP recordings from mouse brain slices, where magnesium was removed to allow the LFP signal to evolve into an epileptic state. The objective of the study is to train machine learning algorithms to forecast the LFP signal as it transitions into an epileptic state. The core idea behind this approach is that if a machine learning algorithm can predict when the signal will become epileptic using preceding signals, then the signal itself must contain information about the transition to the epileptic state. For signal forecasting, the following methods were utilized: Exponential Smoothing, Moving Average, ARMA, ARIMA, Autoregression, KNN Regressor, Decision Tree Regressor, Random Forest Regressor, Support Vector Regressor, Multilayer Perceptron Regressor, Hidden Markov Models, and Long Short-Term Memory (LSTM) RNNs. Among these methods, Autoregression and LSTM-RNN’s were found to be the most effective. LSTM recurrent neural networks were selected as the most promising method due to their efficiency, suitability for sequential data, ability to handle large datasets, and significant potential for improvement. The study aims to evaluate the effectiveness of an LSTM recurrent neural network in predicting the LFP signal as it transitions into an epileptic state. After completing the experiments, more complex architectures were tested for LFP prediction, including LSTM with ResNet, CNN neural networks, CNN-LSTM, LSTM Encoder-Decoder, and LSTM Encoder-Decoder with an attention mechanism. These are presented in the appendix. The results shed light on the challenges and opportunities in predicting electroencephalographic recordings of the brain."],"dc:identifier":["uoadl:3501172","https://pergamos.lib.uoa.gr/uoa/dl/object/3501172"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Πρόγνωση του σήματος LFP κατά τη μετάβασή του σε επιληπτική κατάσταση, με τη χρήση LSTM αναδρομικών νευρωνικών δικτύων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:39Z"}