|
|
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.
|
|
|
Video Denoising Using Deep Learning
Naumenko, Maksim ; Hradiš, Michal (referee) ; Španěl, Michal (advisor)
V éře digitálních multimédií kvalita videoobsahu významně ovlivňuje uživatelský zážitek a výkon systému, zejména v oblastech, jako je zábava a zpracování videa a obrazu. Tato práce se zabývá přetrvávajícím problémem šumu ve videu, který zhoršuje jeho kvalitu, a to pomocí pokročilých technik hlubokého učení. Nejprve jsou přezkoumány tradiční přístupy k odstraňování šumu ve videu, aby bylo možné nastínit základní koncepty denoisingu. Následně jsou studovány dva referenční modely, FastDVDNet a ViDeNN, za účelem seznámení se s architekturami neuronových sítí. Hlavním výsledkem této práce je vývoj robustního systému pro odstraňování šumu ve videu, který je založen na architektuře UNet inspirované těmito referenčními modely. V průběhu práce jsou vysvětleny, implementovány a vyhodnoceny navrhované modely UNet Baseline, ResUNet a ResUNet Temporal, aby byla prokázána jejich účinnost v odstraňování šumu ve videu.
|
|
|
Detekce začátku a konce komplexu QRS s využitím hlubokého učení
Müller, Jakub ; Šaclová, Lucie (referee) ; Smíšek, Radovan (advisor)
ECG measurement isan essential diagnostic tool for cardiac health, and automation of its analysis can aid to our healthcare to relieve staff workload or improve the quality of automated diagnostics from wearable devices. This work focuses specifically on the QRS complex in the ECG signal, with the main goal of using deep learning methods to detect its onset and offset. In the theoretical introduction, the reader is introduced to the origin of the QRS complex and ECG measurements, artificial neural networks and deep learning. Modified architecture U-Net for 1D signals was chosen to implement the actual method. Data were extracted from five publicly available databases and preprocessed in Matlab. This was followed by moving to the Python environment where parts of the model were implemented using the TensorFlow and Keras libraries, subsequent training, testing of the model and evaluation of the results.
|
|
|
Application of deep learning in sleep apnea detection
Láznička, Jakub ; Šaclová, Lucie (referee) ; Králík, Martin (advisor)
The master thesis focuses on the use of deep learning methods for the detection of sleep apnea, a sleep disorder characterized by repeated episodes of cessation or significant reduction in airway flow during sleep. The study investigates the effectiveness of Convolutional Neural Networks (CNN) and Bidirectional Long Short-Term Memory (BiLSTM) models in the automatic detection of different types of sleep apnea using polysomnographic recordings. The datasets used in this work are from the MESA database, which have been specially prepared and modified for deep learning. The best performing models achieved F1-scores of 0.87 and 0.83, showing that deep learning can provide accurate tools for sleep apnea diagnosis, representing a potential improvement in clinical practice. The paper also discusses the possibilities of integrating these models into clinical diagnostic processes and outlines directions for future research in this area.
|
|
|
Tracking people based on their clothing in multi-camera systems
Sivak, Mykyta ; Přinosil, Jiří (referee) ; Číka, Petr (advisor)
This bachelor thesis focuses on the development and implementation of an algorithm for tracking individuals in multi-camera systems based on clothing pattern analysis. The aim was to design a system capable of tracking an individual in various positions and frames, using the Region of Interest (RoI) technique. The study begins with a comprehensive review of the existing literature on object tracking in video sequences, with a special focus on RoI tracking techniques. During the research, a new algorithm was developed and implemented that utilizes clothing patterns as the primary identification element for tracking and re-identifying individuals across different camera shots. The algorithm was experimentally validated on datasets containing video sequences from various environments, allowing for a detailed analysis of its effectiveness and reliability. The experimental results demonstrate that the proposed system achieves significant accuracy and efficiency compared to traditional methods and is particularly effective in challenging situations where other methods fail. The thesis concludes with an evaluation of the conducted experiments along with recommendations for future extensions and improvements of the system. Potential challenges and ethical aspects, including issues of privacy and personal data processing, are also discussed.
|
|
|
Určení spolehlivosti výsledků statické analýzy pomocí strojového učení
Beránek, Tomáš ; Fiedor, Jan (referee) ; Vojnar, Tomáš (advisor)
Statický analyzátor Meta Infer je nástrojem pro hledání různých typů chyb ve zdrojovém kódu. Jeho výsledky však obsahují více než 95 % falešných hlášení. Tato teze navrhuje řešení, které řadí hlášení od Meta Inferu pomocí grafových neuronových sítí (GNN) podle pravděpodobnosti, že se jedná o skutečnou chybu, a redukuje tak problém s falešnými hlášeními. Systém se skládá z trénovací části, která převádí datovou sadu D2A – sadu roztříděných hlášení z Meta Inferu – na rozšířené grafy vlastností kódu (ECPG) a z modelů GNN natrénovaných na ECPG grafech. Výsledky experimentů ukazují, že vytvořené modely GNN mohou konkurovat a v některých případech dokonce překonat existující řešení vyvíjené silnými průmyslovými týmy. Tato existující řešení mají navíc uzavřený zdrojový kód, a tak řešení vytvořené v této tezi poskytuje slibnou alternativu s otevřeným zdrojovým kódem.
|
|
|
Decreased visibility and image defect detection for vehicle mounted camera
Sedláček, Miloš ; Řičánek, Dominik (referee) ; Svědiroh, Stanislav (advisor)
This bachelor thesis deals with the topic of decreased visibility and image defects detection caused by adverse weather conditions or lighting from a vehicle mounted camera. The thesis describes the basic characteristics of the most common influences and their effects on camera data and presents some existing methods of detecting these influences. Next, a dataset containing selected defects is created and described. Afterwards, the issue of artificial neural networks is described in the thesis. A convolutional neural network is implemented for defect detection, which is trained and tested using the dataset. At the end, the achieved results of the network, its computational complexity and comparison with the results of other works are presented.
|
|
|
Optimization of control using reinforcement learning on the Robocode platform
Pastušek, Václav ; Myška, Vojtěch (referee) ; Burget, Radim (advisor)
This master's thesis focuses on optimizing the control of a tank robot in the Robocode environment using reinforcement learning. The complexity of this problem falls into the EXPSPACE class, presenting a challenge that cannot be underestimated. The theoretical part of the thesis meticulously examines the Robocode platform, concepts of reinforcement learning, and relevant algorithms, while the practical part focuses on optimizing the agent, implementing reinforcement learning algorithms, and creating a user-friendly interface for easy training and testing of models. A total of 64 models were trained and tested as part of the thesis, with their data and parameters compared and presented in accompanying databases and graphs. The best results in terms of average hits per episode were achieved by models labeled v0.8.0 and v1.0.0. The first model exhibited a certain ability to evade shots, while the second model showed more successful hits.
|
|
|
Design of signals for nonlinear system modeling
Kuba, Michael ; Ištvánek, Matěj (referee) ; Miklánek, Štěpán (advisor)
This Master’s thesis is focused on training signals for nonlinear system modeling using deep learning. A theoretical introduction to the problem is described, including an initial description of signals and nonlinear distortion audio effects. The goal of the thesis is to design a set of artificial training signals for creating models of distortion guitar effects or tube guitar amplifiers. The designed set of artificial training signals is then processed, utilizing guitar and bass guitar effects, and using a recurrent neural network their models are trained. The quality of the resulting models is afterwards compared with the quality of the models trained with the help of a reference training signal, composed of electric guitar recordings, and signals from commercially available devices. The comparison is carried out in accordance to objective metrics and with subjective evaluation by the MUSHRA listening test.
|
guest ::
