Flaş ERG Sinyallerinin İşlemesinde Kısa Zamanlı Fourier Dönüşümü ve Sürekli Dalgacık Dönüşümü Tekniklerinin Karşılaştırılması
Abstract
Flaş Elektroretinogram sinyalleri gözün retina tabakasının flaş bir ışık ile uyarılması sonucu ortaya çıkan elektriksel potansiyellerdir. Bu sinyale ait iki temel bileşeni olan ‘a’ ve ‘b’ dalgaları retina tabakasının değerlendirilmesinde önem arz etmektedir. Bunun için farklı sinyal işleme tekniklerinden yararlanılmaktadır. Yapılan bu çalışmada sağlıklı bireylerden kaydedilen flaş Elektroretinogram sinyallerinin rod, maksimum kombine ve kon yanıtları kullanılarak Kısa Zamanlı Fourier Dönüşümü ve Sürekli Dalgacık Dönüşümü yöntemleriyle sinyallerin ‘a’ ve ‘b’ dalgaları analizi edilmiştir. Bu doğrultuda dalgaların lokasyonlarının tespit edilmesinde hangi yöntemin daha başarılı olduğu irdelenmiştir. Gerçekleştirilen analizler sonucunda her üç yanıtta da dalgaların analizi için Sürekli Dalgacık Dönüşümünün daha başarılı bir yöntem olduğu tespit edilmiştir. Bunun yanı sıra Sürekli Dalgacık Dönüşümünde rod ve kon yanıtları için Coiflet, Gauss, Meksika şapka ve Morlet dalgacıklarının, maksimum kombine yanıtı için ise Morlet dalgacığının kullanılması halinde dalgaların lokasyonlarının daha doğru bir şekilde tespit edebileceği saptanmıştır.
Keywords
Sürekli dalgacık dönüşümü, Elektroretinogram, Kısa zamanlı fouirer dönüşümü
Supporting Institution
Zonguldak Bülent Ecevit Üniversitesi Bilimsel Araştırma Projeleri Komisyonu
Project Number
2016-75737790-04
Thanks
Bu araştırma Klinik Araştırmalar Etik Kurulu tarafından onaylanmış ve Zonguldak Bülent Ecevit Üniversitesi Bilimsel Araştırma Projeleri Komisyonu (BAP) tarafından desteklenmiştir. (Proje no: 2016-75737790-04).
References
- [1] A. Bagheri, D.P. Adorno, P. Rizzo, R. Barraco and L. Bellomonte, “Empirical mode decomposition and neural network for the classification of electroretinographic data,” Medical & Biological Engineering & Computing, vol. 52, no. 7, pp. 619-628, 2014.
- [2] S. Pal and M, Mitra, “Detection of ECG characteristic points using multiresolution wavelet analysis based selective coefficient method,” Measurement, vol. 43, no. 2, pp. 255-261, 2010.
- [3] Z. Yinhong, L. Quanlu and W. Jing, “The study of time-frequency analysis the nocturnal snoring signal based on the wavelet transform,” The Journal of the Acoustical Society of America, vol. 131, no. 4, pp. 255-261, 2012.
- [4] Q. Yuan, W. Zhou, J. Zhang, S. Li, D. Cai and Y. Zeng, “EEG classification approach based on the extreme learning machine and wavelet transform,” Clinical EEG and Neuroscience, vol. 43, no. 2, pp. 127-132, 2012.
- [5] X. Zhang and P. Zhou, “Filtering of surface emg using ensemble empirical mode decomposition,” Clinical EEG and Neuroscience, vol. 77, no. 1, pp. 207-239, 1933.
- [6] R. Granit, “The components of the retinal action potential in mammals and their relation to the discharge in the optic nerve,” The Journal of Physiology, vol. 35, no. 1, pp. 537-542, 2012.
- [7] T. Tomita, “Studies on the intraretinal action potential ı. relation between the localization of micropipette in the retina and the shape of the intraretinal action potential,” The Journal of Physiology, vol. 1, no. 1, pp. 110-117, 1950.
- [8] F. B. Vialatte, M. Maurice, J. Dauwels and A. Cichocki, “Steady-state visually evoked potentials: focus on essential paradigms and future perspectives,” Progress in Neurobiology, vol. 90, no. 1, pp. 418-438, 2010.
- [9] J. Lavoie, M. Maziade and M. Hébert, “The brain through the retina: The flash electroretinogram as a tool to investigate psychiatric disorders,” Progress in Neuro-Psychopharmacol and Biological Psychiatry, vol. 48, no. 1, pp. 129-134, 2014.
- [10] M. Gauvin, J. M. Lina and P. Lachapelle, “Advance in ERG Analysis: From Peak Time and Amplitude to Frequency, Power, and Energy,” Biomed Research International, 2014, pp 1-11.