|
|
Time Frequency Analysis of ERP Signals
Bartůšek, Jan ; Provazník, Ivo (oponent) ; Černocký, Jan (vedoucí práce)
The aim of this work is to improve the algorithm for clustering ERP signals based on the temporal and spatial properties of pseudo-signals gained by the Independent Component Analysis. The main purpose is to find new features, which could improve the original algorithm. This study is investigating application of new features gained by Fourier Transform and short time Fourier Transform methods. Basic principle and performance of the concept is demonstrated on the sample algorithm. Results have shown that the method can bring a contribution to the original project and can be its convenient improvement.
|
|
|
Analýza spektra klarinetů od různých výrobců
Suchánek, Tomáš ; Mojdl, Edgar (oponent) ; Jirásek, Ondřej (vedoucí práce)
Bakalářská práce se věnuje spektrální analýze šesti modelů B klarinetu značek Buffet Crampon, RZ Woodwind Manufacturing a Yamaha. Nástroje byly testovány dvěma profesionálními hráči s rozdílným zvukovým ideálem a výsledné spektrální struktury jsou uvedeny do souvislosti s psychoakustickými veličinami při vnímání zvukové barvy. V kontextu podoby spektra je dále diskutován vliv herní dynamiky, či použití odlišných typů plátku. Součástí analýzy jsou nakonec také směrové charakteristiky vztažené k jednotlivým harmonickým složkám a určení charakteristických formantových oblastí.
|
|
|
Vizualizace zvukových polí
Kovář, Petr ; Klusáček, Stanislav (oponent) ; Havránek, Zdeněk (vedoucí práce)
Tato bakalářská práce se zabývá problematikou vizualizace akustických polí pomocí akustické holografie v blízkém poli. Často je tato metoda označována zkratkou NAH (z anglického Near-field Acoustical Holography). V rámci práce jsou zpracovány a popsány základní veličiny zvukového pole. Jsou rozebrány dva použité algoritmy, a to algoritmus statistického optima (SONAH – Statistically Optimal NAH) a iterační algoritmus využívající Fourierovy transformace (STFT – Short Time Fourier Transform) s K-filtrem (filtr v doméně vlnových čísel). Tyto algoritmy jsou podrobně popsány. Výstupem praktické části práce je aplikace k vizualizaci akustického tlaku. Ta je vytvořena v prostředí LabVIEW ze známých kódů a provádí výpočet akustického tlaku pomocí jednoho ze dvou algoritmů popsaných v této práci. Ze zobrazených akustických map jsou vidět nevýhody této metody a rozdíly mezi algoritmy. Tyto algoritmy jsou poté porovnávány z pohledu rychlosti výpočtu.
|
|
|
Acoustical simulation of going car
Lacko, Tomáš ; Horka, Michal (oponent) ; Sigmund, Milan (vedoucí práce)
This project includes an overview of different processing methods phonograms. It focuses primarily on time - frequency analysis carried out using Fast Fourier Transform (STFT). The main essence is to evaluate the time - frequency analysis of recorded motor vehicle, driving at different options, together with an analysis of driver activity in these variants. Based on the results of the analysis deals with the creation of synthetic audio signals of motor vehicle records. Further addresses the creation of the program for acoustic simulation engine is running smoothly when driving a car. Processing recorded signals and their evaluation is transferred using Matlab 7.7.0 ( R2008 )
|
|
|
Analysis of sleep EEG signal
Ježek, Martin ; Kozumplík, Jiří (oponent) ; Rozman, Jiří (vedoucí práce)
The aim of this study was to develop an automatic detection program for scoring the sleep EEG arousals, based on one of time-frequency analysis methods. The subject of the study was 13 overnight polysomnographic recordings (four leads of EEG, EMG, ECG and EOG), i.e over 100 hours in total. It was a subset of data used in former studies by sleep expert Dr. Emilia Sforza, Geneva, Switzerland, who also provided baseline arousal scoring. Total number of 1551 arousal events were marked in the recordings. Next, several tools for recordings' visualization were developed to facilitate the decision on methods of analysis. Following the conclusions made after extensive visualization of input recordings in different time-frequency representations and regarding the character of EEG as neuroelectric waveforms and computing efficiency, discrete wavelet decomposition with Daubechies order 6 mother wavelet was chosen. The EEG signals were decomposed into six frequency bands. The results together with EMG recordings were used to evaluate a set of indices describing EEG and EMG changes accompanying arousals. These indices were weighted to form linear classifier of microarousal suspicion in each EEG lead – a microarousal was marked as present when it remained suspect in period of 3 to 30 seconds. Outputs of four EEG channels were then integrated to report final outcome. Based on sensitivity and selectivity measures the algorithm was optimized by genetic algorithm. The subject of tuning were the linear classifier parameters and first four of 13 recordings were selected as training data. A microarousal detection program emerged on basis of the tuned algorithm and resulted in average sensitivity of 76,09 %, selectivity of 53,26 % and 97,66 % specificity over all 13 recordings compared to expert visual scorings.
|
host ::
RSS.