Η διπλωματική εργασία διερευνά τη διατήρηση των δεδομένων των εστιακών επιληπτικών κρίσεων του Ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) μετά από συμπίεση και ανακατασκευή του σήματος μέσω της τεχνικής συμπιεσμένης ανίχνευσης (Compressed Sensing) και την αποτελεσματικότητα της ανάλυσης κοινών χωρικών προτύπων (Common Spatial Patterns) των σημάτων ΗΕΓ στην αυτόματη ανίχνευση εστιακών επιληπτικών κρίσεων. Η επιληψία είναι μια νευρολογική διαταραχή που χαρακτηρίζεται από μια διαρκή προδιάθεση για τη δημιουργία επιληπτικών κρίσεων με μεγάλες νευρολογικές, γνωστικές, ψυχολογικές και κοινωνικές συνέπειες. Σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας (WHO), εκτιμάται ότι το 2019, η επιληψία επηρεάζει περίπου 50 εκατομμύρια ανθρώπους παγκοσμίως, κάτι που είναι συνηθισμένο στην παιδική ηλικία. Το 2017, η επικράτηση και η επίπτωση της επιληψίας εκτιμάται ότι είναι 6,38 και 0,67 ανά 1000 άτομα αντίστοιχα. Σε αυτή την εργασία χρησιμοποιούμε το Discrete Cosine Transform (DCT) για να έχουμε μια αραιή αναπαράσταση των πληροφοριών για να μπορέσουμε να εφαρμόσουμε την τεχνική CS. Μειώνουμε περαιτέρω την ενέργεια του ΗΕΓ προκειμένου να έχουμε ένα πιο αραιό σήμα. Μετά τη συμπίεση των σημάτων, χρησιμοποιούμε τον αλγόριθμο Pursuit Basis για την ανακατασκευή του αραιού DCT σήματος και κατόπιν τον αντίστροφο Discrete Cosine μετασχηματισμό για να επιστρέψουμε στο πεδίο χρόνου. Στη συνέχεια, εφαρμόζουμε το μετασχηματισμό Fourier και την Approximate Entropy για να ελέγξουμε τη διατήρηση των αρχικών πληροφοριών της κρίσης. Η ανάλυση CSP έχει χρησιμοποιηθεί συχνά στη βιβλιογραφία για διαχωρισμό σήματος πολυκαναλικού ΗΕΓ μεταξύ - κυρίως - δύο κατηγοριών. Στην παρούσα διπλωματική εργασία, οι καταγραφές ΗΕΓ από 10 άτομα ηλικίας 6,8 ± 5,9 ετών, περιλαμβανομένων 63 επιληπτικών κρίσεων, αναλύθηκαν σε σχέση με την ανίχνευση κρίσεων και τη διάκριση μεταξύ inter-ictal και ictal χρονικών διαστημάτων σήματος. Τεχνικές Machine learning για την επιλογή και την ταξινόμηση χαρακτηριστικών χρησιμοποιήθηκαν στην ανάλυση.