Электроретинография (ЭРГ) — это неинвазивный способ измерения электрической активности сетчатки с помощью световой стимуляции. Сигналы ЭРГ содержат несколько различных компонентов, которые можно использовать для диагностики различных заболеваний сетчатки. Некоторые из этих заболеваний включают дистрофии, связанные с колбочками и палочками, возрастную дегенерацию желтого пятна, диабетическую ретинопатию, глаукому и пигментный ретинит. В этой диссертации использовались различные методы для анализа сигналов ЭРГ, включая методы временной области, частотной области и частотно-временной области. Процесс начался с очистки базы данных сигналов и предварительной обработки извлеченных сигналов. Затем были вычислены стандартные компоненты сигнала, включая a- и b-волны и неявное время, и был проведен анализ сигналов во временной области. Анализ во временной области включал изучение амплитуд и задержек различных компонентов волны, что может дать представление о функционировании различных типов клеток сетчатки. Корреляционный анализ также проводился для изучения взаимосвязи между возрастом пациентов и компонентами сигнала, результаты которого показывают очень слабую корреляцию между возрастом и компонентами, с некоторой значительной корреляцией между отдельными компонентами. В частотной области преобразование Фурье использовалось для извлечения частот сигналов для анализа. Частотное содержимое сигналов ЭРГ может раскрыть информацию о базовых физиологических процессах и потенциальных отклонениях. Однако из-за инвариантной во времени природы частотной области делать выводы, основанные исключительно на этом анализе, может быть сложно. Для анализа частотно-временной области использовалось кратковременное преобразование Фурье (STFT) вместе с анализом спектрограмм. STFT позволяло изучить, как частотное содержимое сигналов менялось с течением времени, обеспечивая более полное представление динамики сигнала. Кроме того, признаки извлекались с использованием различных окон и размеров окон для обучения классификатора машинного обучения с целью классификации сигналов. Вычисленные спектрограммы также использовались для обучения моделей глубокого обучения с различными архитектурами, и результаты сравнивались на основе используемых окон. Результаты показывают, что нет заметной корреляции между возрастом и другими компонентами сигнала во временной области. Это говорит о том, что возраст сам по себе не может быть надежным предиктором характеристик сигнала ERG. В частотной области делать выводы, основанные исключительно на частотном содержании, оказалось сложно из-за инвариантной во времени природы анализа. Более того, очевидно, что размеры окон оказывают более существенное влияние на результирующие признаки по сравнению с функциями окна. Большие размеры окон обеспечивают улучшенное разрешение по частоте, в то время как меньшие окна обеспечивают более высокое разрешение по времени. Это означает, что разрешение по времени и частоте играет более существенную роль в формировании результирующих признаков, чем обработка сигнала, выполняемая самой функцией окна. Анализ сигналов ERG с использованием различных методов, включая методы временной области, частотной области и частотно-временной области, дает ценную информацию о функции сетчатки и потенциальных расстройствах. Сочетание этих подходов, наряду с методами извлечения признаков и машинного обучения, предлагает комплексную структуру для понимания и интерпретации сигналов ERG. Однако тщательное рассмотрение таких факторов, как размеры окон и компромиссы разрешения, имеет решающее значение для получения значимых и точных результатов. / Electroretinography (ERG) is a non-invasive way of measuring the electrical activity of the retina with the help of light stimulation. ERG signals contain several different components which can be used to diagnose various retinal disorders. Some of these disorders include cone and rod related dystrophies, age-related macular degeneration, diabetic retinopathies, glaucoma and retinitis pigmentosa. In this thesis, various methods were utilized to analyze ERG signals, including time-domain, frequency-domain, and time-frequency domain techniques. The process began with cleaning the signals database and preprocessing the extracted signals. Next, standard signal components including the a- and b-waves and implicit times were computed, and time-domain analysis was conducted on the signals. The time-domain analysis involved examining the amplitudes and latencies of the different wave components, which can provide insights into the functioning of different retinal cell types. Correlation analysis was also conducted to examine there’s relationship between the patients’ age and the signal components which the results show very little correlation between the age and the components, with some significant correlation between the individual components. In the frequency domain, Fourier Transform was used to extract signal frequencies for analysis. The frequency content of the ERG signals can reveal information about the underlying physiological processes and potential abnormalities. However, due to the time-invariant nature of the frequency domain, drawing conclusions based solely on this analysis can be challenging. For time-frequency domain analysis, short-time Fourier transform (STFT) was employed along with spectrogram analysis. The STFT allowed for the examination of how the frequency content of the signals evolved over time, providing a more comprehensive representation of the signal dynamics. Additionally, features were extracted using different windows and window sizes for machine learning classifier training to classify the signals. The spectrograms computed were also used to train deep learning models with different architectures, and the results were compared based on the windows used. The findings indicate that there is no discernible correlation between age and other signal components in the time domain. This suggests that age alone may not be a reliable predictor of ERG signal characteristics. In the frequency domain, drawing conclusions based solely on the frequency content proved challenging due to the time-invariant nature of the analysis. Moreover, it is evident that window sizes have a more significant impact on the resulting features compared to window functions. Larger window sizes yield improved frequency resolution, while smaller windows offer higher time resolution. This implies that the time and frequency resolution play a more substantial role in shaping the resulting features than the signal processing performed by the window function itself. The analysis of ERG signals using various techniques, including time-domain, frequency-domain, and time-frequency domain methods, provides valuable insights into retinal function and potential disorders. The combination of these approaches, along with feature extraction and machine learning techniques, offers a comprehensive framework for understanding and interpreting ERG signals. However, careful consideration of factors such as window sizes and resolution trade-offs is crucial for obtaining meaningful and accurate results.