|
|
Parametrické a neparametrické statistické metody a jejich aplikace
Mračko, Peter ; Mekyska, Jiří (oponent) ; Smékal, Zdeněk (vedoucí práce)
Práca sa zaoberá parametrickými štatistickými metódami, ktoré spočívajú v testovaní hypotéz o parametroch jednotlivých rozdelení pravdepodobnosti. V práci sú teoreticky vysvetlené vybrané rozdelenia pravdepodobnosti a princípy testovania ich parametrov. Teoretické poznatky sú vysvetlené na konkrétnych príkladoch, ktoré sú riešené pomocou programu Matlab. Praktická časť spočíva vo využití metód pre štatistické vyhodnotenie parametrov pacientov, ktorí sú postihnutí Alzheimerovou chorobou.
|
|
|
Zpracování termálních obrazů technikou superresolution
Petrásek, Daniel ; Číka, Petr (oponent) ; Mekyska, Jiří (vedoucí práce)
Práce se zabývá problematikou umělého zvyšování prostorového rozlišení digitálního obrazu, především termálního. Jsou zde uvedeny metody interpolace, panorama a superresolution. Hlavním tématem práce je metoda superresolution, která je detailně popsána. V závěru práce je navržen postup implementace a možné problémy, kterou mohou při implementaci nastat.
|
|
|
Diagnóza Parkinsonovy choroby z řečového signálu
Karásek, Michal ; Smékal, Zdeněk (oponent) ; Mekyska, Jiří (vedoucí práce)
Práce se zabývá rozpoznáním Parkynsonovy choroby z řečového signálu. V první části poukazuje na základy řečových signálů a řečových signálů u pacientů postižených Parkinsonovou chorobou. Dále popisuje problematiku zpracování řečových signálů, základní příznaky používané k diagnóze Parkinsonovy choroby (např. VAI, VSA, FCR, VOT atd.) a redukci těchto příznaků. Další část je zaměřena na blokové schéma programu pro diagnózu Parkinsonovy choroby. Hlavním cílem této práce je porovnání dvou metod výběru příznaků (mRMR a SFFS). Pro klasifikaci byly vybrány dvě rozdílné metody. První metodou je klasifikace kNN a druhou metodou klasifikace jsou Gaussovy smýšené modely (GMM).
|
|
|
Rozklad signálu pomocí transformace typu EMD
Mžourek, Zdeněk ; Mekyska, Jiří (oponent) ; Smékal, Zdeněk (vedoucí práce)
Cílem této práce je představit empirickou modální dekompozici jako metodu pro rozklad libovolně složitých nelineárních a nestacionárních signálů na takzvané vlastní modální funkce. Použitím Hilbertovy transformace získáme okamžitý kmitočet, který nám pomůže k sestavení Hilbertova spektra a následné analýze v časově-kmitočtové oblasti. Dále poukazujeme na některé nedostatky této metody a uvádíme několik způsobů, jak různými úpravami algoritmu empirické modální dekompozice můžeme získat lepší výsledky rozkladu signálu. Na závěr je názorně ukázán rozklad signálu pomocí empirické modální dekompozice.
|
|
|
Rozhraní pro vzdálený přístup k prostředí MATLAB
Štefek, Jiří ; Atassi, Hicham (oponent) ; Mekyska, Jiří (vedoucí práce)
Cílem této práce je rozbor komunikačních možností programovacího jazyka Java s prostředím MATLAB a následný návrh a implementace systému využívajícího tuto komunikaci. Práce se nejdříve zaměřuje na zpřehlednění a srovnání metod přístupu k prostředí MATLAB. Dále je zde navržena webová aplikace zprostředkující vzdálené výpočty v prostředí MATLAB využívající nejefektivnější spojovací metodu z minulého bodu. Následně je uveden krátký popis aplikačního rámce Spring, kterého je využito při implementaci aplikace. Poslední část se věnuje popisu možností, instalací a konfigurací systému.
|
|
|
Audio Classification with Deep Learning on Limited Data Sets
Harár, Pavol ; Platoš,, Jan (oponent) ; Šimák, Boris (oponent) ; Mekyska, Jiří (vedoucí práce)
Standard procedures of dysphonia diagnosis by a clinical speech therapist have their downsides, mainly because the process is very subjective. Recently, an automatic objective analysis of a speaker's condition gained in popularity. Researchers successfully based their methods on various machine learning algorithms and handcrafted features. These methods, unfortunately, are not directly scalable to other voice disorders and the process of feature engineering is laborious and thus financially and talent expensive. Based on the previous successes, a deep learning approach might help to ease the problems with scalability and generalization, but an obstacle is a limited amount of training data. This is a common denominator in almost all systems for automated medical data analysis. The main aim of this work is to research new approaches to deep-learning-based predictive modeling using limited audio data sets, focusing especially on voice pathology assessment. This work is the first to experiment with deep learning in this field and on so far the largest combined database of dysphonic voices, which was created in this work. It provides a thorough examination of publicly available data sources and identifies their limitations. It describes the design of novel time-frequency representations based on Gabor transform and it presents a new class of loss functions, that yield target representations beneficial for learning. In numerical experiments, it demonstrates improvements in the performance of convolutional neural networks trained on limited audio data sets using the augmented target loss function and the newly proposed time-frequency representations, namely Gabor and Mel scattering.
|
|
|
Praktické ukázky zpracování signálů
Hanzálek, Pavel ; Smékal, Zdeněk (oponent) ; Mekyska, Jiří (vedoucí práce)
Práce se zaměřuje na problematiku zpracování signálů. Pomocí praktických ukázek se snaží ukázat využití jednotlivých operací zpracování signálů z praktického hlediska. Pro každou z vybraných operací zpracování signálů je vytvořena aplikace v prostředí MATLAB včetně grafického rozhraní pro její snadnější ovládání. Členění práce je takové, že každá kapitola je v úvodu rozebrána nejdříve z teoretického hlediska, posléze je ukázáno pomocí praktické ukázky, k čemu se daná operace v praxi využívá. V této části se nachází popis jednotlivých aplikací, hlavně z hlediska způsobu jejich obsluhy, a také popis jejich možných výsledků. V příloze práce se nachází výsledky praktické části.
|
|
|
De-identifikace řečníků postižených hypokinetickou dysartrií
Kárník, Radoslav ; Kiska, Tomáš (oponent) ; Mekyska, Jiří (vedoucí práce)
Tato práce se zabývá návrhem a realizací systému, který provádí de-identifikace řečových nahrávek pacientů postižených Parkinsonovou nemocí. V práci jsou popsány příčiny a projevy Parkinsonovy nemoci a vlivy hypokinetické dysartrie na řečový projev pacientů. Část práce je věnována řečovým příznakům popisujícím prozodii, podle pomocí kterých se dá hypokinetická dysartrie diagnostikovat z řeči. Dále se zabývá způsoby de-identifikace řeči a systémem na evaluaci výsledků pomocí rozeznávání řečníků a pacientů. De-identifikační systém využívá Normalizaci vokálního traktu (VTLN), evaluační systém využívá Gaussovy smíšené modely (GMM). Na testování byla využita databáze PARCZ, která obsahuje nahrávky řečových cvičení pacientů postižených Parkinsonovou nemocí a kontrolních řečníků.
|
|
|
Estimation of formant frequencies using machine learning
Káčerová, Erika ; Galáž, Zoltán (oponent) ; Mekyska, Jiří (vedoucí práce)
This Master's thesis deals with the issue of formant extraction. A system of scripts in Matlab interface is created to generate values of the first three formant frequencies from speech recordings with the use of Praat and Snack(WaveSurfer). Mel Frequency Cepstral Coefficients and Linear Predictive Coefficients are extracted from the audio files in order to be added to the database. This database is then used to train a neural network. Finally, the designed neural network is tested.
|
|
|
Advanced Parameterisation of Online Handwriting in Writers with Graphomotor Disabilities
Mucha, Ján ; Šimák, Boris (oponent) ; Drotár,, Peter (oponent) ; Mekyska, Jiří (vedoucí práce)
Graphomotor disabilities (GD) significantly affect the quality of life beginning from the school-age, when the graphomotor skills are developed, until the elderly age. The timely diagnosis of these difficulties and therapeutic interventions are of great importance. As GD are associated with several symptoms in the field of kinematics, the basic kinematic features such as velocity, acceleration, and jerk were proved to effectively quantify these symptoms. Nevertheless, an objective computerized decision support system for the identification and assessment of GD is still missing. Therefore, the main objective of my dissertation is the research of an advanced online handwriting parametrization utilized in the field of GD analysis, with a special focus on methods based on fractional calculus. This work is the first to experiment with fractional-order derivatives (FD) in the GD analysis by online handwriting of Parkinson’s disease (PD) patients and school-age children. A new online handwriting parametrization technique based on the Grünwald-Letnikov approach of FD has been proposed and evaluated. In the field of PD dysgraphia, a significant improvement in the discrimination power and descriptive abilities was proven. Similarly, the proposed methodology improved current state-of-the-art techniques of GD analysis in school-aged children. The newly designed parametrization has been optimized in the scope of the computational performance (up to 80 %) as well as in FD order fine-tuning. Finally, various FD-approaches were compared, namely Riemann-Liouville, Caputo’s, together with Grünwald-Letnikov approximation to identify the most suitable approach for particular areas of GD analysis.
|
host ::
RSS.