Epilepsie ist die häufigste neurologische Erkrankung, und eine genaue Vorhersage von Anfällen würde helfen, die Unsicherheit und Hilflosigkeit der Patienten zu überwinden. In dieser Arbeit stellen wir eine neuartige Methodik zur Klassifizierung intrakranieller Elektroenzephalografien (iEEG) für die Anfallsvorhersage vor und diskutieren sie. Im Gegensatz zu früheren Ansätzen verzichten wir kategorisch auf die Extraktion manuell gestalteter Merkmale und verwenden stattdessen eine Topologie konvolutiver Neuronaler Netze (CNN), sowohl zur Bestimmung geeigneter Signalcharakteristika als auch zur binären Klassifizierung präiktaler und interiktaler Segmente. Drei verschiedene Modelle wurden anhand öffentlicher Datensätze mit langfristigen Aufzeichnungen von vier Hunden und drei Patienten evaluiert. Insgesamt zeigen unsere Ergebnisse die allgemeine Anwendbarkeit unserer Methode. In dieser Arbeit diskutieren wir die Stärken und Schwächen unserer Methodik.