Epilepsie is de vierde meest voorkomende neurologische aandoening waar wereldwijd ongeveer 50 miljoen mensen aan lijden. De diagnose van epilepsie gebeurt op basis van klinische achtergrond, EEG- en MRI metingen. In geval van epilepsie leiden 50-99% van de MRI en tot 70% van de EEG metingen tot negatieve resultaten. Differentiële diagnose van epilepsie wordt verder gecompliceerd door geïsoleerde aanvallen en andere aandoeningen die gelijkaardige symptomen geven. Dit leidt tot een groot aantal patiënten dat in de spoedafdeling terecht komen en waarbij epilepsie vermoed wordt. Slechts 50% van deze patiënten wordt correct gediagnosticeerd. Foutieve diagnose van epilepsie kan leiden tot onnodige inname van anti-epileptische medicatie en gebrek aan behandeling voor de gemiste aandoening. Gemiste diagnose vormt anderzijds mogelijks een gevaarlijke situatie voor de patiënt in geval van een volgende, onverwachtse aanval. Aangezien EEG de hersenactiviteit meet, kan men er van uit gaan dat de functionele effecten van epilepsie op het brein met deze techniek kunnen gedetecteerd worden. Het hoge aantal vals negatieven bij EEG metingen wijst er echter op dat de diagnostische informatie verscholen ligt in complexe karakteristieken van het signaal. Met deze studie willen we onderzoeken of we met behulp van het functioneel connectoom en artificiële intelligentie de diagnostische waarde van EEG metingen kunnen verhogen.