开源视网膜电生理分析平台：用机器学习解读ERG信号

ERG-Analysis-API是一个完整的开源解决方案，将信号处理、机器学习和临床决策支持整合到统一平台，为视网膜电生理数据的自动化分析提供端到端支持。

ERG信号具有独特的特征：幅度微小（通常在微伏级别）、频率范围窄（0.3-300 Hz）、易受噪声干扰。传统的ERG分析依赖人工判读，不仅耗时费力，而且存在主观性差异。随着机器学习技术的发展，自动化、标准化的ERG分析成为可能。

ERG-Analysis-API项目应运而生，它是一个完整的开源解决方案，将信号处理、机器学习和临床决策支持整合到统一平台。该项目由Apress/Springer-Nature出版集团支持，配套将于2028年出版的《ERG Signal Processing with Python》教科书，为眼科医生和研究人员提供可复现的分析流程。

项目实现了符合国际临床视觉电生理学会（ISCEV）标准的信号滤波流程：

• Butterworth带通滤波：精确提取ERG信号的有效频带，去除基线漂移和高频噪声
• 陷波滤波（Notch Filter）：消除50/60 Hz工频干扰
• 中值滤波：处理瞬态噪声和伪迹

这些滤波器经过精心调校，在保留ERG波形特征的同时最大化信噪比。

项目提供两种互补的时频分析方法：

1. 短时傅里叶变换（STFT）谱图：展示ERG信号在时间和频率维度的能量分布，帮助识别波形异常
2. 小波变换：提供多分辨率分析能力，特别适合捕捉ERG信号中的瞬态特征

项目构建了全面的特征提取框架，涵盖三个维度：

• 时域特征：a波和b波的幅度、潜伏期、峰时值等经典参数
• 频域特征：功率谱密度、主频率成分等
• STFT统计特征：谱图的均值、方差、熵等纹理特征

这些特征构成了机器学习模型的输入基础。

项目采用两种互补的机器学习模型：

1. 随机森林基线模型：作为可解释性强、计算效率高的基准方法，适合快速筛查
2. 视觉Transformer（Vision Transformer）：利用注意力机制捕捉ERG波形中的长程依赖关系，在复杂病例中表现优异

模型预测的可解释性对临床应用至关重要。项目集成SHAP（SHapley Additive exPlanations）框架，提供三层解释：

• 特征级解释：识别哪些ERG参数对分类决策贡献最大
• 谱图级解释：在时频域可视化模型的关注区域
• 自然语言摘要：将技术性的SHAP值转化为医生可理解的临床描述

项目的一大亮点是提供四层报告结构的临床决策支持API：

1. 交通灯指示（Traffic Light）：用红黄绿三色直观显示风险等级
2. 临床摘要（Clinical Summary）：用通俗语言概括关键发现
3. 专科报告（Specialist）：提供详细的技术参数和专业解读
4. 审计追踪（Audit）：记录完整的分析流程和参数设置，满足医疗合规要求

这种分层设计既满足了临床医生的快速决策需求，又为专科医师提供了深入分析的能力。