|
|
The relationship between substantia nigra echogenicity and speech and voice disorders
Adamkovičová, Lenka ; Novotný, Kryštof (oponent) ; Mekyska, Jiří (vedoucí práce)
Transcranial sonography is a quick, simple and noninvasive examination method that allows to capture the loss of Substantia nigra in the brain. This loss is associated with the development of Lewy body disorders, and a confirmed correlation between Substantia nigra loss and development of dementia with Lewy bodies would allow for more accurate diagnosis of the disease. This thesis aims to investigate the accuracy of automated classification of individuals using a machine learning model, both according to their diagnosis of early DLB and also according to the size of Substantia nigra loss based on TCS examination. Automated acoustic analysis was applied to calculate speech and language parameters, those were statistically processed and then used to train a machine learning model. In a comparison of two binary classification problems it was found, that the model stratified by the size of Substantia nigra loss achieved lower accuracy than the model stratified by a diagnosis to healthy controls and persons with early-stage dementia with Lewy bodies. In addition, no correlation between SN hyperechogenicity and severity of DLB was confirmed.
|
|
|
Optimalizace řízení s pomocí zpětnovazebního učení na platformě Robocode
Pastušek, Václav ; Myška, Vojtěch (oponent) ; Burget, Radim (vedoucí práce)
Tato diplomová práce se zabývá optimalizací řízení tankového robota v prostředí Robocode za využití zpětnovazebního učení. Komplexita tohoto problému spadá do třídy EXPSPACE, což představuje výzvu, kterou nelze podcenit. Teoretická část práce pečlivě zkoumá platformu Robocode, koncepty zpětnovazebního učení a příslušné algoritmy, zatímco praktická část se zaměřuje na optimalizaci agenta, implementaci zpětnovazebních algoritmů a vytvoření uživatelsky přívětivého rozhraní pro snadné trénování a testování modelů. V rámci práce bylo natrénováno a otestováno celkem 64 modelů, jejichž data a parametry jsou vzájemně srovnávány a prezentovány v přiložených databázích a grafech. Nejlepší výsledky v průměrném počtu zásahů na epizodu dosáhly modely s označením v0.8.0 a v1.0.0. U prvního z nich se projevila určitá schopnost vyhýbání se střelám, zatímco u druhého byly pozorovány úspěšnější zásahy.
|
|
|
Automatizovaná segmentace diadochokinetické úlohy za účelem vzdáleného monitorování řeči
Svojanovský, Jan ; Mekyska, Jiří (oponent) ; Kováč, Daniel (vedoucí práce)
Práce popisuje zdravotní problémy spojené s Parkinsonovou nemocí, zvláště pak hypokinetickou dysartrii. Popisuje také subjektivní a objektivní metody, kterými se závažnost nemoci stanovuje. Jednou z metod je diadochokinetická (DDK) úloha založena na opakování slabik tak, aby se prověřila funkčnost artikulačního aparátu (např. jazyk, rty či hlasivky). Správná tvorba řeči může být také zkoumána klinickým logopedem v testu 3F, který vážnost poruch v oblastech tvorby řeči bodově hodnotí. V práci jsou popsány přístupy jiných autorů, kteří se také zabývali automatizovaným vyhledáváním slabik v řečovém signálu. Práce popisuje některé příznaky, charakterizující vlastnosti lidské řeči, které jsou potřebné pro trénování modelu strojového učení. Tyto příznaky byly počítány pro každý z 30 ms segmentů nahrávky DDK úlohy, ve které byly opakovány slabiky [Pa]-[Ta]-[Ka]. Hlavním cílem je automatizovaná detekce a klasifikace slabik [Pa]-[Ta]-[Ka] v nahrávkách. K tomu byl aplikován algoritmus využívající logistickou regresi. Výsledná průměrná přesnost detekce slabik v nahrávkách byla 89,4 %, průměrná sensitivita 59,0 % a průměrná specificita 93,79 %. Rozlišovat druhy jednotlivých slabik se dařilo s průměrnou přesností 90,78 %, průměrnou sensitivitou 59,0 % a specificitou 95,39 %. Při úvaze, že se predikovaný začátek nenacházel přímo na manuálně anotovaném začátku, ale v jeho blízkém okolí (až ± 3 segmenty) dosahovala průměrná sensitivita detekce 96,9 % a průměrná sensitivita klasifikace druhu slabik 85,1 % s průměrnými rozdíly manuálně anotovaných a automaticky segmentovaných začátků slabik 10,35 ms. Průměrná přesnost klasifikace řečníků na zdravé a nemocné s PN pomocí logistické regrese (s řečovými parametry získanými po automatizované segmentaci) dosahovala pouze 43,92 %, sensitivita 70,0 % a specificita 30,61 % (práh 70 %). Pomocí lineární regrese proběhla predikce klinických skórů testu 3F. Pro faciokinezi dosahovala odmocnina ze střední kvadratické chyby (RMSE) po manuální anotaci slabik hodnoty 2,764 a po automatizované segmentaci hodnoty 3,271. Hodnoty RMSE u fonetiky byly 3,657 (manuálně) a 0,753 (automatizovaně). Vytvořený algoritmus dokáže relativně úspěšně detekovat slabiky v DDK úlohách a je tak možné určovat parametry kvantifikující poruchy řeči s nízkými rozdíly s manuální segmentací. Pokud nahrávky DDK úloh budou splňovat podmínky pro výpočet všech těchto parametrů, mohl by být algoritmus využit ke klasifikaci řečníků na zdravé a nemocné s PN, u kterých by navíc mohl hodnotit závažnost dysartrie.
|
|
|
Nástroj pro podporu přípravné fáze penetračního testování
Žáček, Dominik ; Gerlich, Tomáš (oponent) ; Sikora, Pavel (vedoucí práce)
Tato práce se zabývá vývojem pokročilého nástroje určeného pro zefektivnění týmového penetračního testování. Nástroj pracuje tak, že automaticky přiřazuje úkoly penetračním testerům na základě schopností a historického výkonu. Teoretická část práce podrobně analyzuje různé metody řešení problému přiřazení, zejména Maďarskou metodu a lineárním programováním. V teoretické části následuje návrh dvou-krokového algoritmu pro přiřazení úkolů. Dále je detailně popsán princip fungování neuronových sítí, které jsou základem druhého kroku přiřazení. V rámci práce byly také vytvořeny unikátní metody pro generování dvou datových sad. Bylo implementováno rozhraní pro přiřazení úkolů a byly navrženy metriky určující kvalitu přiřazení. Výsledkem je nástroj, který výrazně zefektivňuje přidělení úkolů penetračním testerům a zvyšuje celkovou efektivitu penetračního testování v týmech.
|
|
|
Klasifikace onemocnění COVID-19 na základě analýzy rentgenových snímků plic
Šteflík, Dominik ; Kiac, Martin (oponent) ; Myška, Vojtěch (vedoucí práce)
Táto diplomová práca sa zaoberá vývojom a hodnotením algoritmov umelej inteligencie na klasifikáciu ochorenia COVID-19 z röntgenových snímok hrudníka. Vzhľadom na závažnosť a vplyv pandémie COVID-19 na svetovú populáciu sa schopnosť rýchlej a presnej diagnostiky ochorení z röntgenových snímok stala kritickou. Táto štúdia zhŕňa súčasné pokroky v oblasti spracovania obrazu a hĺbkového učenia s cieľom vyhodnotiť použitie viacerých moderných klasifikačných metód v praxi. Pomocou datasetu získaného z českého lekárskeho prostredia sa tieto metódy analyzujú a overujú za účelom preskúmania ich efektivity a presnosti v reálnych situáciách. Metódy vybrané pre túto štúdiu, COVID-Net, DarkCovidNet a CoroNet, boli zvolené vzhľadom na ich dostupnosť, rozšírené používanie a preukázanú účinnosť v tejto oblasti. Jadrom práce je návrh konvolučnej neurónovej siete prispôsobenej na extrakciu a učenie sa z nepatrných znakov prítomných na röntgenových snímkach svedčiacich o prítomnosti vírusu COVID-19. Táto snaha čelila značným výzvam, vyplývajúcim z rôznorodých akvizičných parametrov röntgenových snímok, ktoré môžu podstatne ovplyvniť diagnostickú presnosť. Jednotnosť týchto parametrov je rozhodujúca pre spoľahlivú analýzu, čo zdôrazňuje význam dôkladných techník predbežného spracovania. V dôsledku toho sa zaviedli pokročilé postupy normalizácie, úpravy kontrastu a rozšírenia s cieľom štandardizovať vstupné údaje. Samotná konvolučná sieť využíva sériu konvolučných, združovacích a plne prepojených vrstiev, ktoré sú optimalizované na zvládnutie odlišností prítomných v lekárskych obrazových dátach. Architektúra siete obsahuje mechanizmus pozornosti implementovaný prostredníctvom bloku stlačenia a excitácie na dynamické nastavenie významnosti rôznych kanálov vo vstupnom obraze. Integráciou týchto prvkov je model siete vycvičený tak, aby sa zameral na podstatné rysy v rámci röntgenových snímok, čo mu umožňuje efektívne rozoznávať nepatrné indikátory ochorenia COVID-19. Okrem iného sa v tejto práci pojednáva o~potenciáli integrácie takýchto diagnostických nástrojov riadených umelou inteligenciou do existujúcich infraštruktúr zdravotnej starostlivosti s cieľom zlepšiť včasnú detekciu a liečbu ochorenia COVID-19. Zistenia naznačujú, že využitie umelej inteligencie v lekárskom zobrazovaní môže výrazne pomôcť pri riešení a kontrole epidémií ochorení, čo v konečnom dôsledku prispieva k lepším zdravotníckym výsledkom.
|
|
|
Time Series Forecasting Using Machine Learning
Elrefaei, Islam ; Galáž, Zoltán (oponent) ; Hošek, Jiří (vedoucí práce)
The aim of this thesis is to explore the application of various artificial intelligence (AI) techniques for the prediction of time series data, which is prevalent in fields such as finance, economics, and engineering. Accurate time series prediction is essential for effective decision-making and planning. This thesis reviews several traditional and state-of-the-art AI techniques used for time series prediction, including linear regression, ARIMA, support vector regression, random forests, and deep learning. These techniques are applied to different time series datasets, encompassing both univariate and multivariate data. The performance of the predictive models is evaluated using various scalar metrics. The performance of the models was different depending on the type of the dataset. Additionally, this thesis includes the development of a user interface application that allows users to change parameters and forecast new results based on their entries. Furthermore, the thesis discusses the challenges and limitations of using AI techniques for time series prediction and provides suggestions for future research directions.
|
|
|
Návrh signálů pro modelování nelineárních systémů
Kuba, Michael ; Ištvánek, Matěj (oponent) ; Miklánek, Štěpán (vedoucí práce)
Diplomová práce se zabývá trénovacími signály pro modelování nelineárních systémů pomocí hlubokého učení. Je zde popsán teoretický úvod k této problematice včetně úvodního popisu signálů a nelineárních zvukových zkreslovacích efektů. Cílem práce je navržení sady umělých trénovacích signálů, které mají sloužit k vytvoření modelů zkreslovacích kytarových efektů nebo elektronkových kytarových zesilovačů. Navržená sada umělých trénovacích signálů je poté zpracována kytarovými a baskytarovými efekty a pomocí rekurentní neuronové sítě jsou natrénovány jejich modely. Kvalita výsledných modelů je následně srovnána s kvalitou modelů vytvořených pomocí referenčního trénovacího signálu, složeného ze záznamů hry na elektrickou kytaru, a signálů z komerčně dostupných zařízení. Srovnání je provedeno dle objektivních metrik a subjektivního hodnocení pomocí poslechového testu MUSHRA.
|
|
|
Současné trendy v datové analytice a jejich úspěšné podnikové aplikace
RUBÁŠOVÁ, Anna
Bakalářská práce se zaměřuje na současné trendy v datové analytice a jejich aplikaci do podnikové praxe. V práci je popsán vývoj datové analytiky a metody strojového učení, které jsou využívány pro získání znalostí z dat. Specifický příklad, na kterém je demonstrováno využití strojového učení, se zabývá predikcí výsledků binárního klasifikačního problému, kde jsou historická data využita k předvídání budoucích trendů. Vybrané metody jsou realizovány za využití "no-code" internetového nástroje. V práci je provedena komparativní analýza realizovaných metod. Metody jsou hodnoceny na základě jejich přesnosti a efektivity výpočtu, a následně je identifikována nejvhodnější z nich. Závěrem je vybraná metoda dále optimalizována za využití prahové hodnoty pro dosažení nejlepších výsledků.
|
|
|
Identifikace obsahu šifrovaného video-streamu
MACÁK, Tomáš
Tato práce se zabývá tvorbou datové sady naměřených, šifrovaných video streamů a následnou implementací řešení, které má za cíl identifikovat jejich obsah pomocí metod strojového učení. V teoretické části práce je nejdříve vysvětleno, co to video streaming on demand je a jak funguje. Následně jsou představeny modely strojového učení, které je možné využít k řešení tohoto problému. Kapitolu uzavírá rešerše již vypracovaných prací na podobné téma. V praktické části práce byla vytvořena zmíněná datová sada, která byla následně zanalyzována a byly vytvořeny reprezentace, které měly sloužit jako otisk jednotlivých video streamů. V následující části byly implementovány klasifikační modely a modely pro zkoumání podobnosti, které byly poté trénovány pomocí dříve připravených dat. Na závěr byly modely otestovány a jejich výsledky shrnuty a porovnány.
|
|
|
Anomaly and threat detection in audit logs using machine learning
Ludes, Adam ; Ježek, Štěpán (oponent) ; Tomašov, Adrián (vedoucí práce)
The thesis explores cloud-native architecture, anomaly detection techniques, machine learning, and data analysis to develop an anomaly detection model for audit logs from the Red Hat OpenShift Container Platform. Statistical methods and time series analysis for anomaly detection are introduced, while machine learning models and preprocessing techniques are implemented and evaluated. The results demonstrate limitations in traditional models for handling anomalies in deeply nested data, while the NLP model shows robust performance. This research provides valuable insights and is a reference for researchers and practitioners in cloud-native architecture, anomaly detection, machine learning, and data analysis.
|
host ::
RSS.