Flaş ERG Sinyallerinin İşlemesinde Kısa Zamanlı Fourier Dönüşümü ve Sürekli Dalgacık Dönüşümü Tekniklerinin Karşılaştırılması

Year 2020, Volume: 8 Issue: 4, 2418 - 2429, 29.10.2020

İrem Şenyer Yapıcı , Rukiye Uzun , Okan Erkaymaz

https://doi.org/10.29130/dubited.759239

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).

Comparison among Short Time Fourier Transform and Continuous Wavelet Transform Techniques in Flash Erg Signals Processing

Abstract

Flash Electroretinogram signals are the electrical potentials that result from the stimulation of the retina layer of the eye with a flash light. The two main components of these signals, "a" and "b" waves, are great of significance in the evaluation of the retina layer. Therefore, different signal processing techniques are utilized. In this study, the analysis of ‘a’ and ‘b’ waves in the rod, maximum combined and cone responses of flash Electroretinogram signals recorded from healthy individuals have been performed by using the Short Time Fourier Transform and Continuous Wavelet Transform methods. In this context, it has been studied which method is more proper in determining the waves localizations. As a result of analyses, it has been determined that the Continuous Wavelet Transform is more successful for all three responses. In addition, it has been found that the localizations of the waves can be determined more accurately by using Coiflet, Gauss, Mexican hat and Morlet wavelets in rod and cone responses, and Morlet wavelet in maximum combined response.

Keywords

Electroretinogram, Continuous wavelet transform, Short time fourier transform

Project Number

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.
• [11] S. Aksu, A. Kurt, A.Z. Soyata, K.T. Saçar, S. Taşdelen ve S. Karamürsel, “Elektroretinografi ve görsel uyarılmış potansiyel ölçümlerinde zenon ve led ışık kaynaklarının karşılaştırılması,” Anadolu Kliniği Tıp Bilimleri Dergisi, c. 24, s. 2, ss. 78-86, 2019.
• [12] S.S. Nair and K.P. Joseph, “Chaotic analysis of the electroretinographic signal for diagnosis,” BioMed Research International, 2014.
• [13] S.M. Saszik, J.G. Rabson and L.J. Frishman, “The scotopic threshold response of the dark adapted electroretinogram of the mouse,” The Journal of Physiology, vol. 543, no. 1, pp. 899-916, 2002.
• [14] A.B. Fulton, R.M. Hansen and C.A. Westall, “Development of ERG responses: The ISCEV rod, maximal and cone responses in normal subjects,” Documenta Ophthalmologica, vol. 107, no. 3, pp. 235-241, 2003.
• [15] R. Hamilton, M.A. Bees, C.A. Chaplin and D.L. McCulloch, “The luminance–response function of the human photopic electroretinogram: a mathematical model,” Vision Research, vol. 47, no. 23, pp. 2968-2972, 2007.
• [16] J. Nilsson, T. Wright and C. Westall, “Rod a-wave analysis using high ıntensity flashes adds ınformation on rod system function in 25% of clinical ERG recordings,” Vision Research, vol. 48, no. 3, pp. 1920-1925, 2008.
• [17] A.J. Roman, S.B. Schwartz, T.S. Aleman, A.V. Cideciyan, J.D. Chico, E.A. Windsor and S.G. Jacobson, “Quantifying rod photoreceptor-mediated vision in retinal degenerations: dark-adapted thresholds as outcome measures,” Experimental Eye Research, vol. 80, no. 2, pp. 259-272, 2005.
• [18] L.S. Sandmeyer, B.H. Grahn and C.B. Breaux, “Diagnostic ophthalmology,” The Canadian Veterinary Journal, vol. 47, no. 11, pp. 1131-1133, 2006.
• [19] R. Barraco, D.P. Adorno, M. Brai and L. Tranchina, “A comparison among different techniques for human ERG signals processing and classification,” Physica Medica, vol. 30, no. 1, pp. 86-95, 2014.
• [20] R. Barraco, D.P. Adorno and M. Brai, “Wavelet analysis of human photoreceptoral response,” presented at 2010 3rd International Symposium on Applied Sciences in Biomedical and Communication Technologies (ISABEL 2010). IEEE, Roma, Italy, 2010.
• [21] R. Barraco, D.P. Adorno and M. Brai, “ERG signal analysis using wavelet transform,” Theory in Biosciences, vol. 130, no. 3, pp. 155-163, 2011.
• [22] A.M. Alaql, “Analysis and processing of human electroretinogram,” M.S. thesis, Science in Electrical Engineering Department, University of South Florida, Tampa, FL, USA, 2016.
• [23] R. Uzun, Y. İşler, İ,. Şenyer Yapıcı ve O. Erkaymaz, “Dalgacık tabanlı temel bilȩsen analizi ile elektroretinogram sinyallerinde gürültü bastırılması,” 2nd International Symposium on Multidisciplinary and Innovative Technologies (ISMSIT-2018), Kızılcahamam, Ankara, 2018.
• [24] P. A. Sieving, K. Murayama, and F. Naarendorp, “Push-pull model of the primate photopic electroretinogram: a role for hyperpolarizing neurons in shaping the b-wave,” Visual Neuroscience, vol. 11, no. 3, pp. 519–532, 1994.
• [25] D. C. Hood and D. G. Birch, “Human cone receptor activity: the leading edge of the a-wave and models of receptor activity,” Visual neuroscience, vol. 10, no. 5, pp. 857–871, 1993.
• [26] A. Öztürk Öner, “Okuler elektrofizyoloji,” Erciyes Tıp Dergisi, c. 26, s. 1, ss. 33–38, 2004.
• [27] A. Altınbaş, “EMG sinyallerinin kısa zamanlı fourier dönüşümü ve dalgacık dönüşümü kullanarak analiz edilmesi,” Yüksek Lisans tezi, Gazi Üniversitesi Bilişim Enstitüsü, Gazi Üniversitesi, Ankara, Türkiye, 2007.
• [28] M. Coşkun ve A. İstanbullu, “EEG işaretlerinin FFT ve dalgacık dönüşümü ile analizi,” XIV. Akademik Bilişim Konferansı, Uşak, Türkiye, 2012.
• [29] E. Kılıç ve A. Erdmar, “Automatic classification of respiratory sounds during sleep,” 2018 26th Signal Processing and Communications Applications Conference (SIU). IEEE, Çeşme, İzmir, Türkiye, 2018.
• [30] A. Erdamar, “Uyku apnesinin öngörülmesi ve dil kasının uyarılması için model geliştirilmesi,” Doktora tezi, Fen Bilimleri Enstitüsü, Hacettepe Üniversitesi, Ankara, Türkiye, 2011.
• [31] B. K. Karaca, B. Oltu, T. Kantar, E. Kılıç, M. F. Akşahin ve A. Erdamar, “Classication of heart sound recordings with continuous wavelet transform based algorithm,” 2018 26th Signal Processing and Communications Applications Conference (SIU), Çeşme, İzmir, Türkiye, 2018.