|
| |
|
|
Analyzing a person’s handwriting for recognizing his/her emotional state
Chudárek, Aleš ; Matoušek, Jiří (referee) ; Malik, Aamir Saeed (advisor)
Rozpoznávání emocí z rukopisu je náročný a interdisciplinární úkol, který může poskytnout vhled do psychologického a emočního stavu pisatele. V této diplomové práci byl vyvinut a vyhodnocen model strojového učení schopný predikovat emoční stav pisatele na základě vzorků jeho rukopisu. Byl využit dataset EMOTHAW, který obsahuje vzorky rukopisu a kreseb od subjektů, jejichž emoční stavy byly změřeny pomocí testu DASS, který hodnotí úroveň deprese, úzkosti a stresu, a CIU Handwritten databázi pro ověření a experimentování. Bylo extrahováno množství příznaků inspirovaných standardní grafologií, stejně jako příznaky specifické pro online data. Pomocí ANOVA byly vybrány statisticky významné příznaky, které byly normalizovány pomocí Z-Score, MinMax, IQR nebo logaritmické transformace. Dimenzionalita příznaků byla snížena pomocí analýzy hlavních komponent (PCA) a lineární diskriminační analýzy (LDA). Pro klasifikaci byl použit meta-přístup Ensemble learning, který se snaží snížit chyby jednoho jednoduchého modelu využitím rozmanitosti a doplňkovosti více modelů. Struktura klasifikátoru závisí na mnoha argumentech, což vede k více než 300 000 různým konfiguracím. Optimální argumenty a tudíž optimální struktura byla hledána pomocí zamrazování argumentů. Byly identifikovány nejlepší klasifikátory pro binární a trinární klasifikaci každé emoce, což vedlo k šesti optimálním modelům. Tyto modely byly hodnoceny pomocí různých metrik, jako jsou accuracy, precision, recall a F1 Skóre, a dosáhly adekvátních výsledků ve všech metrikách. Kromě nalezení klasifikátorů tato práce zkoumala význam každého extrahovaného příznaku, čímž byl vytvořen seznam nejvýznamnějších příznaků použitých pro rozpoznávání emocí z rukopisu. Dále tato práce rozšiřuje databázi EMOTHAW identifikací úkolů, které jsou více indikativní pro specifické emoce, čímž se snižuje potřeba kompletní baterie úkolů pro emoční analýzu.
|
|
|
Diagnosing anxiety and depression from brain electroencephalogram (EEG) signals
Osvald, Martin ; Jaroš, Marta (referee) ; Malik, Aamir Saeed (advisor)
Duševné poruchy predstavujú širokú škálu emócií v našej spoločnosti. Tieto psychické stavy významne ovplyvňujú kognitívne, emocionálne a behaviorálne fungovanie jednotlivcov. Bežné duševné poruchy sa vzťahujú na dve hlavné diagnostické kategórie: depresívne poruchy a úzkostné poruchy. Cielom tejto práce je nájsť novú metódu na detekciu či daný pacient trpí úzkosťou alebo depresiou pomocou klasifikácie EEG. V tejto práci používame kombináciu genetických algoritmov a modelov z hlbokého učení.
|
|
|
Creating a Python-based Automated System for Recognizing Emotions from Facial Expressions.
Zima, Samuel ; Malik, Aamir Saeed (referee) ; Hussain, Yasir (advisor)
Táto práca skúma rozpoznávanie výrazu tváre (angl. facial expression recognition - FER) pomocou hlbokého učenia so zameraním na použitie v zariadeniach s obmedzenou pamäťou a výpočtovými zdrojmi. Začína výskumom emócií a výrazov tváre z psychologického, biologického a sociologického hľadiska. Jadro výskumu tvorí návrh a implementácia automatizovaného systému pre FER s použitím súboru dát FER-2013. Tento systém využíva prispôsobenú architektúru SqueezeNet rozšírenú o jednoduchý obchvat, vrstvy náhodného odpadu neurónov a vrstvy dávkovej normalizácie. Tento systém dosahuje na súbore dát FER-2013 presnosť 66,37 %. Pre porovnávaciu analýzu sa tento model porovnal s upravenou architektúrou VGG16, ktorá dosiahla presnosť 65,09 %. Táto práca poskytuje cenné poznatky o vývoji menších, efektívnejších modelov strojového učenia pre FER, ktoré sú použiteľné pre široké spektrum zariadení vrátane nízkovýkonných procesorov a vstavaných zariadení.
|
|
|
Game Development for Assessment of Human Memory, Attention and Reflexes
Petrovskyi, Denys ; Hussain, Yasir (referee) ; Malik, Aamir Saeed (advisor)
V této práci je podrobně popsán vývoj aplikace pro Android, která je určena k současnému hodnocení paměti, pozornosti a reflexů. Hlavním cílem bylo vytvořit interaktivní platformu, která uživatele nejen zapojí do kognitivních úkolů, ale také jim umožní sledovat jejich výkon v čase prostřednictvím statistické analýzy a grafů průběhu. Aplikace s využitím frameworku Flutter nabízí uživatelsky přívětivý a přehledný design a je integrována se službou Firebase pro efektivní správu uživatelských dat a ověřování. Projekt zahrnoval vývoj řady kognitivních modulů integrovaných do jediné hry, která se dynamicky přizpůsobuje výsledkům uživatele, čímž zajišťuje přesné hodnocení a zapojení uživatele. Uživatelské rozhraní bylo navrženo tak, aby bylo intuitivní a zajišťovalo snadné používání a přístupnost. Výsledky uživatelských testů ukazují, že aplikace úspěšně měří kognitivní schopnosti a poskytuje uživatelům cennou zpětnou vazbu, čímž podporuje neustálé zlepšování kognitivních schopností. Tato práce demonstruje potenciál herního hodnocení kognitivních schopností v mobilních aplikacích a přispívá k rozvoji oborů vzdělávacích technologií a kognitivní psychologie.
|
|
| |
|
|
Cognitive Game Battery: Assessing and Identifying Deficits in Memory, Attention, Problem-Solving, and Decision-Making Skills
Češka, Ondřej ; Malik, Aamir Saeed (referee) ; Hussain, Yasir (advisor)
Cílem této práce je neinvazivní posouzení vybraných kognitivních domén (pozornost, paměť, rozhodování) pomocí nové mobilní aplikace vyvinuté za tímto účelem. Posuzování kognitivních nedostatků je důležité pro prevenci neurokognitivních poruch. Byly analyzovány existující posuzovací úlohy a na jejich základě byla navržena a úspěšně implementována kognitivní herní baterii sestávající ze 3 mobilních her. Aplikace je určena pro platformu Android a byla vyvinuta v Unity engine. Byl vytvořen systém pro sběr a uchovávání herních dat a jejich následné zhodnocení za pomoci cloudové dostupnosti. Jeho spolehlivost byla posouzena na základě vlastního sběru dat a poznatků existujících studií. Vyvinutá aplikace přináší jiný pohled na posuzování kognitivních nedostatků, porovnává uživatelem dosažené skóre s ostatními hráči a poskytuje mu detailní zpětnou vazbu.
|
|
|
Detection of Anxiety from Brain Electroencephalogram (EEG) Signals
Marko, Július ; Shakil, Sadia (referee) ; Malik, Aamir Saeed (advisor)
Úzkosť ovplyvňuje ľudské schopnosti, správanie, produktivitu a kvalitu života. Úzkosť nás udržuje v bezpečí ako súčasť systému, ktorý pomáha kontrolovať a odvracať nebezpečenstvo. Tento systém sa však môže narušiť. Keď takéto narušenie nastane, môže to viesť k depresii a dokonca k samovražde. Cieľom tejto práce je vyvinúť novú metódu detekcie úzkosti zo signálov mozgu, konkrétne elektroencefalogramu (EEG), neinvazívnej a nákladovo efektívnej skríningovej metódy. Navrhovaná metóda zahŕňa mikrostavy, ktoré zatiaľ neboli na základe dostupnej literatúry použité na detekciu úzkosti. Extrahované sú aj ďalšie vlastnosti v časovej a frekvenčnej doméne. Nakoniec bol na týchto vlastnostiach natrénovaný a vyhodnotený klasifikátor strojového učenia, ktorý prekonal aktuálne dostupné metódy.
|
|
|
Electroencephalogram (EEG) and machine learning-based classification of various stages of mental stress
Lapčíková, Tereza ; Malik, Aamir Saeed (referee) ; Zaheer, Muhammad Asad (advisor)
Tato závěrečná práce se věnuje rozpoznávání a klasifikaci různých úrovní psychické zátěže z elektroencefalogramu (EEG). V rámci této práce bylo vytvořeno několik modelů SVM a LSTM, které klasifikují EEG data do tří tříd odpovídajících mentální zátěži – nízká mentální zátěže, střední mentální zátěž a vysoká mentální zátěž. Proces vedoucí k tvorbě těchto modelů se skládal z kroků jako je úprava vstupního signálu, extrakce jeho vlastností a implementace modelu pro samotnou klasifikaci. Toto řešení taktéž obsahuje augmentaci dat. Nejvyšší dosažená přesnost klasifikace byla 90 %, a to s modelem SVM. Nejlepší LSTM model obsahoval tři vrstvy LSTM a přesnost jeho výsledné klasifikace byla 70 %.
|
|
|
Emotion Recognition from Analysis of a Person’s Speech using Deep Learning
Galba, Šimon ; Kekely, Lukáš (referee) ; Malik, Aamir Saeed (advisor)
Táto práca sa zaoberá analýzou a implementáciou neurónovej siete za účelom rozpoznávania emócií z reči človeka pomocou hlbokého učenia. Práca sa taktiež zaoberá ladením tejto siete za účelom dosiahnutia väčšej citlivosti voči konkrétnej emócii a skúma časové a nepriamo aj finančné nároky tohto ladenia. Inšpiráciou na vytvorenie tejto práce je stúpajúca integrácia umelej inteligencie v oblasti biológie, zdravotníctva ako aj psychológie a jedným z cieľov je aj skúmanie náročnosti vytvárať konkrétne modely neurónových sietí na účely v týchto vedách, čo by malo prispieť k lepšej dostupnosti modelov umenelej inteligencie. Práca stavia na základe implementácie modelu "AST: Audio Spectrogram Transformer" ktorá je verejne dostupná pod licenciou BSD 3-Clause License a využíva metódy ktoré boli doposiaľ využívané na klasifikáciu a rozpoznávanie obrazov vďaka premene zvukovej stopy na spektrogram. Výsledné hodnoty váženej presnosti sú následovné: 93.5% pre EMODB dataset, 92.8% pre EMOVO a 92,9% pre dataset RAVDESS.
|
guest ::
