|
|
Zpracování měření vibrací pro účely prediktivní údržby mechanických soustav
Kuchař, Matěj ; Dobossy, Barnabás (oponent) ; Kšica, Filip (vedoucí práce)
S vývojem technologií se vyvíjet i údržba. V posledních letech se nejvíce rozvíjí a začíná se aplikovat prediktivní údržba. Tento typ údržby přináší lepší výsledky než doposud používané typy údržby, zejména u vibrací. Oproti ostatním typům údržby, je těžší prediktivní údržbu zaimplementovat. Při implementaci je nutno dodržet její postup: předzpracování dat, extrakci features, určení Health indicatoru, trénink prediktivního modelu a vyhodnocení. Jednalo se hlavně o seznámení s tímto postup. K dispozici je mnoho softwarů, které nabízí funkce pro aplikaci prediktivní údržby. V této práci byl použit Predictive maintenance toolbox z programu Matlab. Následně znalosti o aplikaci prediktivní údržby byly použity na experimentálních datem získané měřením vibrací ložisek pro předpověď RUL.
|
|
|
Analýza Parkinsonovy nemoci pomocí segmentálních řečových příznaků
Mračko, Peter ; Mekyska, Jiří (oponent) ; Smékal, Zdeněk (vedoucí práce)
V tejto práci je popísaný návrh systému diagnózy Parkinsonovej choroby na základe reči. Parkinsonova choroba je neurodegeneratívna porucha centrálneho nervového systému, ktorej prejavom je okrem iných aj postihnutie motorických aspektov reči tzv. hypokinetická dysartria. Návrh systému je v tejto práci založený na najznámejších segmentálnych parametroch ako sú koeficienty LPC, PLP, MFCC, LPCC, ale aj menej známych ako sú CMS, ACW a MSC. Z rečových nahrávok pacientov postihnutých Parkinsonovou chorobou, ale aj kontrolných jedincov, sú vypočítané tieto koeficienty, ktoré sú v ďalšom postupe podrobené selekcii a následne klasifikácii. Najlepší výsledok, ktorý bol v práci získaný, dosahoval presnosť klasifikácie 77,19%, senzitivitu 74,69% a špecificitu 78,95%.
|
|
|
Detekce stresu
Jindra, Jakub ; Vítek, Martin (oponent) ; Němcová, Andrea (vedoucí práce)
Detekce stresu založená na non-EEG fyziologických datech může být užitečná pro monitoraci řidičů, pilotů, ale také sledování psychického stavu v běžném každodenním životě – tedy všude tam, kde je monitorace standardním EEG nevhodná. Tato práce využívá Non-EEG databázi volně dostupnou z Physionetu. Databáze obsahuje záznamy tepové frekvence, saturace krve kyslíkem, pohybu, vodivosti pokožky a teploty snímané pro 3 typy stresu prokládáné relaxační fází. V práci byly vytvořeny dva modely. Jeden pro binární klasifikaci stresu/klidu, druhý pro klasifikaci 4 psychických stavů. Nejlepších výsledků bylo dosaženo využitím modelu rozhodovacího stromu s 8 příznaky pro binární klasifikaci a 8 příznaky pro klasifikaci 4 stavů. Přesnost finálních modelů je přibližně 95 % pro binární klasifikaci a 99 % pro klasifikaci 4 psychických stavů. Veškeré algoritmy byly implementovány v jazyce Python.
|
|
|
Určování období vzniku interpretace za pomoci metod parametrizace hudebního signálu
Král, Vítězslav ; Mucha, Ján (oponent) ; Kiska, Tomáš (vedoucí práce)
Cílem této diplomové práce je shrnout dosavadní poznatky z oblasti srovnávání zvukových nahrávek a implementovat vyhodnocovací systém pro určení období vzniku za pomoci metod parametrizace hudebního signálu. V první části této práce jsou popsány reprezentace, jakých hudba může nabývat. Dále je uveden průřez parametrů, které mohou být z hudebních nahrávek extrahovány a poskytují informaci o dynamice, tempu, barvě či časovém vývoji hudební nahrávky. V části druhé je popsán vyhodnocovací systém a jeho jednotlivé dílčí bloky. Vstupními daty pro tento vyhodnocovací systém je vytvořená databáze, čítající 56 zvukových nahrávek první věty Beethovenovy páté symfonie. Poslední kapitola je věnována shrnutí dosažených výsledků.
|
|
|
Detekce stresu
Jindra, Jakub ; Vítek, Martin (oponent) ; Němcová, Andrea (vedoucí práce)
Detekce stresu založená na non-EEG fyziologických datech může být užitečná pro monitoraci řidičů, pilotů, ale také sledování psychického stavu v běžném každodenním životě – tedy všude tam, kde je monitorace standardním EEG nevhodná. Tato práce využívá Non-EEG databázi volně dostupnou z Physionetu. Databáze obsahuje záznamy tepové frekvence, saturace krve kyslíkem, pohybu, vodivosti pokožky a teploty snímané pro 3 typy stresu prokládáné relaxační fází. V práci byly vytvořeny dva modely. Jeden pro binární klasifikaci stresu/klidu, druhý pro klasifikaci 4 psychických stavů. Nejlepších výsledků bylo dosaženo využitím modelu rozhodovacího stromu s 8 příznaky pro binární klasifikaci a 8 příznaky pro klasifikaci 4 stavů. Přesnost finálních modelů je přibližně 95 % pro binární klasifikaci a 99 % pro klasifikaci 4 psychických stavů. Veškeré algoritmy byly implementovány v jazyce Python.
|
|
|
Určování období vzniku interpretace za pomoci metod parametrizace hudebního signálu
Král, Vítězslav ; Mucha, Ján (oponent) ; Kiska, Tomáš (vedoucí práce)
Cílem této diplomové práce je shrnout dosavadní poznatky z oblasti srovnávání zvukových nahrávek a implementovat vyhodnocovací systém pro určení období vzniku za pomoci metod parametrizace hudebního signálu. V první části této práce jsou popsány reprezentace, jakých hudba může nabývat. Dále je uveden průřez parametrů, které mohou být z hudebních nahrávek extrahovány a poskytují informaci o dynamice, tempu, barvě či časovém vývoji hudební nahrávky. V části druhé je popsán vyhodnocovací systém a jeho jednotlivé dílčí bloky. Vstupními daty pro tento vyhodnocovací systém je vytvořená databáze, čítající 56 zvukových nahrávek první věty Beethovenovy páté symfonie. Poslední kapitola je věnována shrnutí dosažených výsledků.
|
|
|
Analýza Parkinsonovy nemoci pomocí segmentálních řečových příznaků
Mračko, Peter ; Mekyska, Jiří (oponent) ; Smékal, Zdeněk (vedoucí práce)
V tejto práci je popísaný návrh systému diagnózy Parkinsonovej choroby na základe reči. Parkinsonova choroba je neurodegeneratívna porucha centrálneho nervového systému, ktorej prejavom je okrem iných aj postihnutie motorických aspektov reči tzv. hypokinetická dysartria. Návrh systému je v tejto práci založený na najznámejších segmentálnych parametroch ako sú koeficienty LPC, PLP, MFCC, LPCC, ale aj menej známych ako sú CMS, ACW a MSC. Z rečových nahrávok pacientov postihnutých Parkinsonovou chorobou, ale aj kontrolných jedincov, sú vypočítané tieto koeficienty, ktoré sú v ďalšom postupe podrobené selekcii a následne klasifikácii. Najlepší výsledok, ktorý bol v práci získaný, dosahoval presnosť klasifikácie 77,19%, senzitivitu 74,69% a špecificitu 78,95%.
|
host ::
RSS.