Wpływ parametrów sygnału pulsu rogówki oka na dokładność wykrywania pulsu dykrotycznego

• Autorzy: Melcer T. , Danielewska M. E. , Iskander D. R.

Warianty tytułu

EN

Impact of parameters of corneal pulse signal on accuracy of detection of a dicrotic pulse

• Języki publikacji: PL

Abstrakty

PL

Występowanie dykrotycznego kształtu sygnału pulsu rogówki oka jest powiązane z procesem starzenia się i występowaniem jaskry. Dotychczas procedura wykrywania dykrotyzmu wymagała równoległego synchronicznego pomiaru pulsu rogówki oka, sygnału EKG i sygnału pulsu krwi, jednak nowe badania mogą pozwolić na detekcję dykrotyzmu tylko za pomocą pomiaru sygnału pulsu rogówki. Dokładność wykrywania dykrotyzmu zależy od parametrów sygnału wejściowego: długości i częstotliwości próbkowania. Z powodu odruchu mrugania u niektórych pacjentów trudno jest uzyskać odpowiednio długi sygnał nieobejmujący odruchu mrugania. Przeprowadzono eksperymenty numeryczne w celu określenia minimalnych wymagań rejestracji sygnału wejściowego w celu uzyskania odpowiedniej jakości klasyfikacji. Rezultaty wskazują na możliwość uzyskania dostatecznej jakości klasyfikacji sygnałów krótszych od 10 sekund pod warunkiem zapewnienia odpowiedniej częstotliwości próbkowania.

EN

The presence of the ocular dicrotic pulse is associated with aging and the glaucoma incidence. Previous procedures for detecting ocular dicrotism required synchronous measurement of ECG and blood pulse signals. However, recent studies have offered an opportunity to detect ocular dicrotism from the corneal pulse signal alone. The accuracy of the detection procedure mainly depends on the input signal length and its sampling frequency. The acquisition of the corneal pulse signal is performed in suppress blinking conditions. Hence, it is often difficult to acquire a sufficiently long signal for the analysis. Numerical experiments were conducted to determine the minimum requirements of the input signal in order to obtain adequate classification rate. The results indicate the possibility of obtaining sufficient classification rates for signals shorter than 10 seconds provided an adequate sampling is maintained.

Słowa kluczowe

PL

oczny puls dykrotyczny; analiza falkowa; tekstury; uczenie maszynowe

EN

ocular dicrotic pulse; wavelet analysis; texture; machine learning

• Wydawca: Jacek Doskocz
• Czasopismo: Acta Bio-Optica et Informatica Medica. Inżynieria Biomedyczna
• Rocznik: 2015
• Tom: Vol. 21, nr 1
• Strony: 32--39
• Opis fizyczny: Bibliogr. 19 poz.

Twórcy

autor

Melcer T.

• Politechnika Wrocławska, Wydział Podstawowych Problemów Techniki, Katedra Inżynierii Biomedycznej, 50-370 Wrocław, Wybrzeże Wyspiańskiego 27

autor

Danielewska M. E.

• Politechnika Wrocławska, Wydział Podstawowych Problemów Techniki, Katedra Inżynierii Biomedycznej, 50-370 Wrocław, Wybrzeże Wyspiańskiego 27

autor

Iskander D. R.

• Politechnika Wrocławska, Wydział Podstawowych Problemów Techniki, Katedra Inżynierii Biomedycznej, 50-370 Wrocław, Wybrzeże Wyspiańskiego 27

Bibliografia

• [1] M.E. Danielewska, D.R. Iskander, P. Krzyżanowska-Berkowska: Age-related changes in corneal pulsation: Ocular dicrotism, Optometry & Vision Science, vol. 91(1), 2014, s. 54–59.
• [2] M.E. Danielewska, P. Krzyżanowska-Berkowska, D.R. Iskander: Glaucomatous and age-related changes in corneal pulsation shape. The ocular dicrotism, PloS One, vol. 9(7), 2014, e102814.
• [3] M.A. Kowalska, H.T. Kasprzak, D.R. Iskander, M.E. Danielewska, D. Mas: Ultrasonic in vivo measurement of ocular surface expansion, IEEE Transactions on Biomedical Engineering, vol. 58(3), 2011, s. 674–680.
• [4] T.J. Licznerski, J. Jaroński, D. Kosz: Ultrasonic system for accurate distance measurement in the air, Ultrasonics, vol. 51(8), 2011, s. 960–965.
• [5] T. Melcer, M.E. Danielewska, D.R. Iskander: Wavelet representation of the corneal pulse for detecting ocular dicrotism, PloS One (w produkcji).
• [6] H. Sakoe, S. Chiba: Dynamic programming algorithm optimization for spoken word recognition, IEEE Transactions on Acoustics, Speech and Signal Processing, vol. 26(1), 1978, s. 43–49.
• [7] A. Angelone, N.A. Coulter: Respiratory sinus arrhythmia: a frequency dependent phenomenon, Journal of Applied Physiology, vol. 19(3), 1964, s. 479–482.
• [8] C. Gargour, M. Gabrea, V. Ramachandran, J.M. Lina: A short introduction to wavelets and their applications, IEEE circuits and systems magazine, vol. 9(2), 2009, s. 57–68.
• [9] R.M. Haralick, K. Shanmugam, I.H. Dinstein: Textural features for image classification, IEEE Transactions on Systems, Man and Cybernetics, vol. 6, 1973, s. 610–621.
• [10] B. Efron, R. Tibshirani: Improvements on cross-validation: the 632+ bootstrap method, Journal of the American Statistical Association, vol. 92(438), 1997, s. 548–560.
• [11] H. Kasprzak, D.R. Iskander: Spectral characteristics of longitudinal corneal apex velocities and their relation to the cardiopulmonary system, Eye, vol. 21(9), 2007, s. 1212–1219.
• [12] M. Unser, A. Aldroubi: A review of wavelets in biomedical applications, Proceedings of the IEEE, vol. 84.4, 1996, s. 626–638.
• [13] M. Bracic, A. Stefanovska: Wavelet-based analysis of human blood-flow dynamics, Bulletin of Mathematical Biology, vol. 60(5), 1998, s. 919–935.
• [14] H. Ryan: Ricker, Ormsby, Klauder, Butterworth-A choice of wavelets, Hi-Res Geoconsulting, 1994, s. 24–25.
• [15] D. Gabor: Theory of communication. Part 1: The analysis of information, Journal of the Institution of Electrical Engineers - Part III: Radio and Communication Engineering, vol. 93(26), 1946, s. 429–441
• [16] I. Daubechies: Ten lectures on wavelets, Society for industrial and applied mathematics, Philadelphia, 1992.
• [17] L. Breiman: Random forests, Machine learning, vol. 45(1), 2001, s. 5–32.
• [18] A. Liaw, M. Wiener: Classification and Regression by randomForest, R news, vol. 2, 2002, s. 18–22.
• [19] M. Kuhn: Building predictive models in R using the caret package, Journal of Statistical Software, vol. 28, 2008, s. 1–26.