使用短时间里埃变换和机器学习技术进行电网膜分析

科学领域:

• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 电网膜学 (ERG) 是评估视网膜功能的一种关键的非侵入性技术.
• 精确的ERG波形分类对于诊断各种视网膜疾病至关重要.
• 优化信号处理和机器学习方法可以改善ERG分析.

研究的目的:

• 为了增强电网红学 (ERG) 波形信号分类.
• 调查短时间里埃转换 (STFT) 谱图预处理与机器学习 (ML) 结合的有效性.
• 为了比较不同的窗口函数和ML算法,以获得最佳的特征提取和分类.

主要方法:

• 利用短时间里埃转换 (STFT) 来从ERG信号生成光谱图.
• 对比各种窗口功能 (例如,哈明,箱车,巴特利特) 和STFT预处理的大小.
• 训练有素的深度学习模型 (视觉转换器) 和经典的ML模型 (例如,RF) 具有光谱图和手动提取的特征.

主要成果:

• 视觉变压器架构与哈明窗口功能相结合,在ERG信号分类中表现出卓越的性能.
• 对于手动功能提取,射频算法表现最好,特别是在Boxcar或Bartlett窗口功能.
• 优化的STFT预处理显著提高了基于ML的ERG分类的准确性.

结论:

• 该研究确定了ERG信号分类的最佳STFT预处理和ML方法.
• 视觉变压器与哈明窗口为自动化ERG分析提供了强大的方法.
• 为手动特征提取场景推的射频算法,增强临床电网膜学诊断能力.