Properties of different representations of electroretinograms

• Autorzy: Rogala T. , Brykalski A.

Warianty tytułu

PL

Właściwości różnych reprezentacji elektroretinogramów

• Języki publikacji: EN

Abstrakty

EN

This paper discusses an application of classification algorithms for electroretinogram identification. These signals are 1-D electrical responses of human retina for a light stimulus and are used in ophthalmology for diagnostic purposes. The authors studied the application of multilayer perceptrons (MLP) for distinction between healthy and pathological recordings. Three different representations of input data were examined. Sepa-rability of these spaces was quantified using Fisher ratio measure. For visualization purposes, all representations of input data were mapped into 2D using Principal Components Analysis (PCA).

PL

Praca opisuje zastosowanie algorytmów klasyfikacyjnych do analizy elektroretinogramów. Te jednowymiarowe sygnały są odpowiedziami elektrycznymi siatkówki oka na zadany bodziec świetlny i używane w okulistyce w celach diagnostycznych. Autorzy przedstawili zastosowanie sieci neuronowych do rozpoznawania zapisów patologicznych. Przetestowano trzy różne reprezentacje danych wejściowych. Separowalność tych trzech klas wzorców uczących określono za pomocą tzw. miary Fishera. W celu wizualizacji wyników w dwóch wymiarach posłużono się Analizą Składników Głównych.

Słowa kluczowe

EN

PERG; neural network; Fisher ratio

PL

PERG; rozpoznawanie obrazów; sieć neuronowa; miara Fishera

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2007
• Tom: R. 83, nr 11
• Strony: 90--92
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Rogala T.

autor

Brykalski A.

• Szczecin University of Technology

Bibliografia

• [1] Bach M., Hawlina M., Holder G, Marmor H, Meigen T, Miyake Y., Standard for pattern electrretinography. Documenta Ophtalmologica 101(2000), 11-18
• [2] Duda R., Hart P., Stork D., Pattern Classification. Wiley-InterScience 2000
• [3] Englehart K., Hudgins B., Parker P., Stevenson M., Classification of the myoelectric signal using the wavelet transform. Medical Engineering and Physics 21(1999), 431-438
• [4] Haykin S., Neural networks: a comprehensive foundation. Prentice Hall 1999
• [5] Hazarika N., Chen J., Chung T Siergiejew A., Classification of EEG signals using the wavelet transform. Signal Processing 59(1997), 61-72
• [6] Pittner S., Kamarthi S., Feature extraction from wavelet coefficients for pattern recognition tasks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(2000), 83-88
• [7] Poularikas D.: The transforms and applications handbook. CRC Press 2000
• [8] RogalaT., Brykalski A., Wavelet feature space in computer-aided electroretinogram evaluation. Pattern Analysis and Applications . 8(2005)3, 238-246