|
|
Electroencephalogram (EEG) and machine learning-based classification of various stages of mental stress
Lapčíková, Tereza ; Malik, Aamir Saeed (oponent) ; Zaheer, Muhammad Asad (vedoucí práce)
This thesis deals with the recognition of various stress stages experienced by patients from electroencephalogram (EEG). Various Support Vector Machine (SVM) and Long Short-Term Memory (LSTM) models classifying EEG into three classes – not stressed, moderate stressed, and very stressed were created. The process of implementing such a classifier consisted of data preparation, extraction, and finally, classification. This solution also implements augmentation of data. The highest accuracy achieved in this thesis was of 90 % using the SVM model. The best LSTM model was a three-layer LSTM and achieved classification accuracy of 70 %.
|
|
|
Emotion Recognition from Analysis of a Person’s Speech using Deep Learning
Galba, Šimon ; Kekely, Lukáš (oponent) ; Malik, Aamir Saeed (vedoucí práce)
This thesis deals with the analysis and implementation of a neural network for the purpose of recognizing emotions from human speech using deep learning. The thesis also focuses on tuning this network to achieve greater sensitivity to a specific emotion and explores the time and indirectly the financial requirements of this tuning. The inspiration for creating this work is the increasing integration of artificial intelligence in the fields of biology, healthcare, as well as psychology, and one of the goals is also to study the complexity of creating specific models of neural networks for purposes in these sciences, which should contribute to better accessibility of artificial intelligence models. The work is based on the implementation of the "AST: Audio Spectrogram Transformer" model, which is publicly available under the BSD 3-Clause License and utilizes methods that have been used so far for classification and recognition of images by converting an audio track into a spectrogram. The resulting values of weighted accuracy are as follows: 93.5% for the EMODB dataset, 92.8% for EMOVO, and 92.9% for the RAVDESS dataset.
|
|
|
Video Denoising Using Deep Learning
Naumenko, Maksim ; Hradiš, Michal (oponent) ; Španěl, Michal (vedoucí práce)
In the era of digital multimedia, video content quality significantly impacts user experiences and system performance, particularly in domains such as entertainment, and video and image processing. This thesis addresses the persistent challenge of video noise, which degrades video quality, through the use of advanced deep learning techniques. Initially, traditional video denoising approaches are reviewed to establish a foundational understanding of denoising concepts. Subsequently, two state-of-the-art models, FastDVDNet and ViDeNN, are studied to familiarize with neural network architectures. The main product of this work is the development of a robust video denoising pipeline that utilizes a UNet architecture inspired by these state-of-the-art models. Throughout the thesis, the proposed UNet Baseline, ResUNet, and ResUNet Temporal models are explained, implemented, and evaluated to demonstrate their effectiveness in video denoising.
|
|
|
Detekce začátku a konce komplexu QRS s využitím hlubokého učení
Müller, Jakub ; Šaclová, Lucie (oponent) ; Smíšek, Radovan (vedoucí práce)
Měření EKG je základním diagnostickým nástrojem zdravotního stavu srdce a automatizace jeho analýzy může přispět ve zdravotnictví k odhlečení pracovní zátěže personálu nebo ke zlepšení kvality automatické diagnostiky z nositelných zařízení. Tato práce se zaměřuje konkrétně na komplex QRS v signále EKG, s hlavním cílem aplikování metod hlubokého učení k detekci jeho počátku a konce. V teoretickém úvodu je čtenář seznámen s původem komplexu QRS a měřením EKG, umělými neuronovými sítěmi a hlubokým učením. Pro implementaci vlastní metody byla zvolena architektura U-Net modifikovaná pro 1D signály. Data byly čerpány z pěti veřejně přístupných databází, jejich předzpracování proběhlo v prostředí Matlab. Následoval přesun do prostředí Python kde byly realizovány části modelu s použitím knihoven TensorFlow a Keras, následné trénování, testování modelu a vyhodnocení výsledků.
|
|
|
Aplikace hlubokého učení v detekci spánkové apnoe
Láznička, Jakub ; Šaclová, Lucie (oponent) ; Králík, Martin (vedoucí práce)
Tato diplomová práce se zaměřuje na využití metod hlubokého učení pro detekci spánkové apnoe, poruchy spánku charakterizované opakovanými epizodami zastavení nebo významného snížení průtoku dýchacích cest během spánku. Studie zkoumá efektivitu konvolučních neuronových sítí (CNN) a modelů Bidirectional Long Short-Term Memory (BiLSTM) v automatické detekci různých typů spánkové apnoe s využitím polysomnografických záznamů. V práci jsou využity datasety z databáze MESA, které byly speciálně připraveny a upraveny pro potřeby hlubokého učení. Modely s nejlepšími výsledky dosáhly hodnot F1 skóre 0,87 a 0,83, což ukazuje, že hluboké učení může poskytovat přesné nástroje pro diagnostiku spánkové apnoe, představující potenciální zlepšení v klinické praxi. Práce také diskutuje možnosti integrace těchto modelů do klinických diagnostických procesů a nastiňuje směry pro budoucí výzkum v této oblasti.
|
|
|
Sledování osob na základě jejich oblečení v multikamerových systémech
Sivak, Mykyta ; Přinosil, Jiří (oponent) ; Číka, Petr (vedoucí práce)
Daná bakalářská práce se zabývá vývojem a implementací algoritmu pro sledování osob v multikamerových systémech na základě analýzy vzoru oblečení. Cílem bylo navrhnout systém, který by byl schopen sledovat osobu v různých pozicích a záběrech, využívající techniky Region of Interest (RoI). Práce začíná rozsáhlým studiem literatury zaměřené na existující metody sledování objektů ve videosekvenčních datech, se speciálním důrazem na techniky sledování RoI. V rámci výzkumu byl navržen a implementován nový algoritmus, který využívá vzory oblečení jako hlavní identifikační prvek pro sledování a re-identifikaci osob v různých kamerových záběrech. Algoritmus byl experimentálně ověřen na datasetech obsahujících videosekvence z několika prostředí, což umožnilo detailně analyzovat jeho účinnost a spolehlivost. Výsledky experimentů ukazují, že navrhovaný systém dosahuje výrazné přesnosti a efektivity ve srovnání s tradičními metodami, a je zvláště účinný v náročných situacích, kde jiné metody selhávají. Na závěr práce jsou prezentovány hodnocení provedených experimentů spolu s doporučeními pro budoucí rozšíření a zlepšení systému. Diskutovány jsou také potenciální výzvy a etické aspekty, včetně otázek soukromí a zpracování osobních údajů.
|
|
|
Určení spolehlivosti výsledků statické analýzy pomocí strojového učení
Beránek, Tomáš ; Fiedor, Jan (oponent) ; Vojnar, Tomáš (vedoucí práce)
The Meta Infer static analyzer is a tool for detecting various types of errors in source code. However, its results contain more than 95 % of false alarms. This thesis proposes a solution that ranks Infer’s reports using Graph Neural Networks (GNNs) based on the likelihood of being a real error, thus mitigating the issue with false alarms. The system consists of a training pipeline, which converts the D2A dataset – a set of labeled reports from Meta Infer – into Extended Code Property Graphs (ECPGs) and GNN models trained on these ECPGs. Experimental results indicate that the developed GNN models can match, and in some cases even surpass, existing models developed by strong industrial teams. Moreover, these existing solutions are closed source, making the solution developed in this thesis a promising open-source alternative.
|
|
|
Detekce snížené viditelnosti a obrazových defektů pro kameru připevněnou na vozidle
Sedláček, Miloš ; Řičánek, Dominik (oponent) ; Svědiroh, Stanislav (vedoucí práce)
Tato bakalářská práce se zabývá tématem rozpoznání snížené viditelnosti a obrazových defektů způsobených nepříznivým počasím či osvětlením ze snímků pořízených kamerou připevněnou na vozidle. Práce popisuje základní charakteristiku nejčastějších vlivů a jejich účinků na kamerová data a představuje některé existující metody detekce těchto vlivů. Dále je vytvořen a popsán dataset obsahující vybrané defekty. Následně je v práci popsána problematika umělých neuronových sítí. Pro detekci defektů je implementována konvoluční neuronová síť, která je trénována a testována pomocí sestaveného datasetu. Na závěr jsou prezentovány dosažené výsledky sítě, její výpočetní náročnost a porovnání s výsledky jiných prací.
|
|
|
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.
|
|
|
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.
|
host ::
RSS.