The quality of life of people with epilepsy is considerably altered by the risk involved in the accidents that epileptic seizures can cause while carrying out their daily live activities. It is for this reason that several attempts have been made to try to predict epileptic seizures before they occur. This project proposes to make use of the Hierarchical Temporal Memory model, an anomaly detector inspired by the neocortex, for the detection of abnormalities in the EEG signal, specifically, the preictal activity prior to the seizure. The main benefits of this innovative neural network are that it allows online unsupervised learning with streaming data, as well as adaptation to behavioural changes of the input, since it is continuously learning and updating as it sees new records. After understanding the model basis and replicating some available examples, an application programming interface has been created with the HTM model, which returns the anomaly likelihood as output value, a metric that describes the probability of a record of being anomalous. The aim is to obtain an output that allows us stablishing a threshold to differentiate between anomalous and non-anomalous data. The optimal model parameters and their influence on the output have been studied, being resolution and anomaly period the ones with a more direct impact on the model performance. Additionally, it has been discussed how resampling is a crucial step during the pre-processing phase in order to ease the sequential pattern learning of the algorithm. For the study, firstly, the performance of the model has been evaluated with a synthetic dataset constructed from real patient data, and it has been possible to see how the model is capable of detecting epileptic seizures as abnormal, but does not successfully detect anomalies in the data records that precede the seizure. It has also been seen how the model learned seizures as non-anomalous after having seen one before, so tests have been carried out training with an interictal dataset, to later disable continuous learning and pass them datasets containing seizures. Despite the satisfactory results, high anomaly score values make it doubtful that the algorithm is learning the interictal patterns and has a robust idea of what is normal. Trials performed with real patient data have ratified the previous conclusions. Finally, a comparison has been made between the HTM model and Isolation Forests (IF). HTM model has not been found advantageous compared to IF, as IF seem to detect data records before seizures but also suppose an increased risk of false positives. None of them has demonstrated to be a perfect anomaly detector with the EEG dataset used La calidad de vida de las personas con epilepsia se ve considerablemente alterada por el riesgo de sufrir crisis epilépticas y los accidentes que pueden ocasionar durante el desarrollo de sus actividades vitales cotidianas. Es por ello que se han realizado diversos intentos para tratar de predecir las crisis epilépticas antes de que se produzcan. Este proyecto propone hacer uso del modelo Hierarchical Temporal Memory, una red neuronal inspirada en el neocórtex, para la detección de anomalías en la señal EEG, concretamente, la actividad preictal previa a la crisis. Las principales ventajas de esta innovadora red neuronal son que permite el aprendizaje online no supervisado de datos a tiempo real, así como la adaptación a los cambios de comportamiento de los datos de entrada. Tras comprender las bases del modelo y replicar algunos ejemplos disponibles, se ha creado un programa con el modelo HTM, que devuelve como valor de salida la probabilidad de anomalía, una métrica que describe la probabilidad de que un registro sea anómalo. El objetivo es obtener una respuesta que nos permita establecer un umbral para diferenciar entre datos anómalos y no anómalos. Se han estudiado los parámetros óptimos del modelo y su influencia en la salida, siendo la resolución y el periodo de anomalía los que tienen un impacto más directo en el rendimiento del modelo. Además, se ha discutido cómo el remuestreo es un paso crucial durante la fase de preprocesamiento para facilitar el aprendizaje secuencial de patrones del algoritmo. Para el estudio, en primer lugar, se ha evaluado el rendimiento del modelo con señales EEG sintéticas construidas a partir de datos reales de pacientes, y se ha podido comprobar cómo el modelo es capaz de detectar ataques epilépticos como anormales, pero no detecta con éxito anomalías en los registros de datos que preceden a la crisis. También se ha visto como el modelo aprendía las crisis como no anómalas después de haber visto una anteriormente, por lo que se han realizado pruebas entrenando con datos interictales, para posteriormente desactivar el aprendizaje continuo y pasarles datos que contienen crisis. A pesar de los resultados satisfactorios, los valores de anomalía instantánea son muy elevados y hacen dudar sobre si el algoritmo está aprendiendo los patrones interictales y si tiene una idea robusta de lo que es normal. Los ensayos realizados con datos de pacientes reales han ratificado las conclusiones anteriores. Por último, se ha realizado una comparación entre el modelo HTM y los Isolation Forests (IF). El modelo HTM no ha resultado ventajoso en comparación con el IF, ya que el IF parece detectar como anómalos registros de datos antes de las crisis, pero también supone un mayor riesgo de falsos positivos. Ninguno de ellos ha demostrado ser un detector de anomalías perfecto con el conjunto de datos de EEG utilizado La qualitat de vida de les persones amb epilèpsia es veu considerablement alterada pel risc de patir crisis epilèptiques i els accidents que poden ocasionar durant el desenvolupament de les activitats quotidianes. És per això que s'han realitzat diversos intents per predir les crisis epilèptiques abans que es produeixin. Aquest projecte proposa fer ús del model Hierarchical Temporal Memory, una xarxa neuronal inspirada en el neocòrtex, per a la detecció d'anomalies al senyal EEG, concretament, l'activitat preictal prèvia a la crisi. Els principals avantatges d'aquesta innovadora xarxa neuronal són que permet l'aprenentatge en línia no supervisat de dades a temps real, així com l'adaptació als canvis de comportament de les dades d'entrada. Després de comprendre les bases del model i replicar-ne alguns exemples disponibles, s'ha creat un programa amb el model HTM, que torna com a valor de sortida la probabilitat d'anomalia, una mètrica que descriu la probabilitat que un registre sigui anòmal. L'objectiu és obtenir una resposta que ens permeti establir un llindar per diferenciar entre dades anòmales i no anòmales. S'han estudiat els paràmetres òptims del model i la seva influència a la sortida, sent la resolució i el període d'anomalia els que tenen un impacte més directe en el rendiment del model. A més, s'ha discutit com el remostreig és un pas crucial durant la fase de preprocessament per facilitar l'aprenentatge seqüencial de patrons de l'algorisme. Per a l'estudi, en primer lloc, s'ha avaluat el rendiment del model amb senyals EEG sintètics construïts a partir de dades reals de pacients, i s'ha pogut comprovar com el model és capaç de detectar la senyal durant la crisis epilèptica com a anormal, però no detecta amb èxit anomalies als registres de dades que precedeixen la crisi. També s'ha vist com el model aprenia les crisis com no anòmales després d'haver-ne vist una anteriorment, per la qual cosa s'han realitzat proves entrenant-se amb dades interictals, per posteriorment desactivar l'aprenentatge continu i passar dades que contenen crisi. Tot i els resultats satisfactoris, els valors d'anomalia instantània són molt elevats i fan dubtar si l'algorisme està aprenent els patrons interictals i si té una idea robusta del que és normal. Els assaigs realitzats amb dades de pacients reals han ratificat les conclusions anteriors. Per acabar, s'ha realitzat una comparació entre el model HTM i els Isolation Forests (IF). El model HTM no ha resultat avantatjós en comparació amb els IF, ja que aquest últim sembla detectar com a anòmals registres de dades abans de les crisis, però també suposa un risc més gran de falsos positius. Cap no dels dos ha demostrat ser un detector d'anomalies perfecte amb el conjunt de dades d'EEG utilitzat