|
|
Evolutionary Design of EEG Data Classifier
Kuželová, Simona ; Jawed, Soyiba (referee) ; Mrázek, Vojtěch (advisor)
Tato diplomová práce se zaměřuje na vývoj efektivního klasifikátoru pro klasifikaci kandidátů na základě extrahovaných vlastností z elektroencefalografického (EEG) signálu. K dosažení tohoto cíle byl použit genetický algoritmus pro výběr příznaků a optimalizaci klasifikátorů na základě pěti kritérií: minimalizace počtu příznaků, minimalizace doby inference a maximalizace klasifikační senzitivity, specificity a přesnosti. Pro extrakci příznaků s cílem klasifikovat kandidáty jako trpící MDD, nebo jako zdravé, byla použita EEG data s otevřenýma očima 31 kandidátů trpících depresivní poruchou (MDD) a 28 zdravých kandidátů. Byly otestovány dva algoritmy, NSGA-II a NSGA-III. Navržený algoritmus pracoval se třemi kritérii, ale byly přidány dvě další kritéria - senzitivita a specificita. NSGA-III byl v tomto případě účinnější a byl použit v následujících experimentech. Byla zavedena omezení pro zlepšení parametrů a byly vyzkoušeny různé hodnoty pro pravděpodobnost mutace a křížení. Vygenerované klasifikátory dosáhly průměrné přesnosti 91.36 \%, senzitivity 91.82 \% a specificity 90.84 \%. V závěrečných experimentech byly nejčastěji používány kanály F3 a C3 a nejčastěji využívaným vlnovým pásmem byla gama frekvence. Výsledkem této práce jsou efektivní klasifikátory, které byly získány pomocí navrženého algoritmu, jenž využívá genetický algoritmus pro optimalizaci parametrů.
|
|
|
Prediktory přesnosti konvolučních neuronových sítí
Karásek, Daniel ; Mrázek, Vojtěch (referee) ; Piňos, Michal (advisor)
V posledním desetiletí došlo k obrovskému skoku v pokroku neuronových sítí, a to především díky možnosti učit větší sítě než kdy dřív. Pouhé zvětšování velikosti sítí ale není dostatečným prostředkem k jejich dalšímu zefektivnění. Z tohoto důvodu dochází ke komplexnějšímu výzkumu architektur sítí. Jeho velkou slabinou je potřeba natrénovat každou architekturu pro zjištění jejího výkonu na daném problému. To může v některých případech zabírat i dny. Alternativou k učení může být využití prediktoru přesnosti neuronové sítě. Tato práce se zabývá zhodnocením a reimplementací několika vybraných prediktorů určených pro klasifikační konvoluční sítě.
|
|
|
Data Analysis of Heatmap of Brno
Kozubek, Jakub ; Hurta, Martin (referee) ; Mrázek, Vojtěch (advisor)
The thesis deals with the analysis of temperature data for the area of the city of Brno. It is focused on the design and verification of hypotheses for warming and cooling parts of the city. The result of the work are methods for statistical testing and for regression analysis implemented in the Python programming language, the results obtained using these methods and their subsequent interpretation in relation to the originally proposed hypotheses.
|
|
|
Vital Signs Monitoring
Kratochvíl, Pavel ; Mrázek, Vojtěch (referee) ; Vašíček, Zdeněk (advisor)
Cieľom tejto práce je navrhnúť dizajn, implementovať prototyp a evaluovať funkčnosť systému pre monitorovanie životných funkcií. Navrhnuté riešienie je založené na Bluetooth Low Energy Mesh sieti, v ktorej sa nachádzajú zariadenia štyroch typov: batériou napájané nositeľné monitorovacie zariadenie zbierajúce fotopletysmografické dáta zo senzora a rozosielajúce extrahované informácie o frekvencii srdcového tepu a periférneho okysličenia subjektu do mesh siete; zariadenia preposielajúceho dáta v sieti (relay node); nosného zariadenia konfigurujúceho mesh sieť pri jej inicializácii (provisioner node) a koncového zariadenia, ktoré odosiela dáta prijaté v mesh sieti pomocou protokolu MQTT na internet. Batériou napájané monitorovacie zariadenia sú implementované na module nRF52833 od firmy Nordic Semiconductor, zatiaľ čo koncové zariadenia komunikujúce cez MQTT protokol využívajú ESP32 moduly od firmy Espressif. Analýza zozbieraných PPG dát je dosiahnutá dvojitou filtráciou (spredu a zozadu) pomocou Chebyshev II band-pass filtra štvrtého rádu, následovanou vyhladením dát s použitím kĺzavého priemeru a extrakciou indikátorov životných funkcií algoritmom s jediným priechodom v nazbieraných vzorkách. Vďaka výbornej energetickej úspornosti zariadení a minimálnej vyžadovanej infraštruktúre predstavuje navrhnutý systém vhodné riešenie pre zdravotnícke zariadenia s obmedzenými finančnými zdrojmi.
|
|
|
Evolutionary Optimization of the EEG Classifier Feature Extractor
Ovesná, Anna ; Hurta, Martin (referee) ; Mrázek, Vojtěch (advisor)
This work focuses on the optimisation of EEG signal classification of alcoholics and control subjects using evolutionary algorithms with a multi-objective approach. The main goal is to maximise the accuracy, sensitivity and specificity of the classification algorithm and minimise the number of features used. Four different classifiers are used, namely Support Vector Machine, k-nearest neighbors, Naive Bayes and AdaBoost. The selection of the best features is optimised using three different evolutionary approaches, two of which convert multi-objective optimisation to single-objective using weighted summation or restricting the maximum number of features. The Pareto optimal solutions are found by the NSGA-II algorithm. Results show that the evolutionary algorithms, combined with appropriate classifiers, reliably distinguish a person with a tendency to alcoholism from one with a healthy relationship towards alcohol.
|
|
|
Design of Logarithmic Multipliers
Drlíčková, Alena ; Vašíček, Zdeněk (referee) ; Mrázek, Vojtěch (advisor)
This thesis deals with the possibilities of improving logarithmic multipliers using approximation methods. The goal was to implement logarithmic multipliers according to the constructions described in the literature and to identify the possibilities of their modifications. This work describes the way in which the implementation of multiplier circuits and their parts took place. Ways to improve these circuits based on the replacement of their components and overall modification using evolutionary methods are proposed here. The parameters of the created logarithmic multipliers are compared with the values of the available approximation multipliers.
|
|
|
Differentiable Neural Network Architecture Search
Eichler, Vojtěch ; Piňos, Michal (referee) ; Mrázek, Vojtěch (advisor)
The aim of this work is to propose a system for differentiable architecture search, which can be used for design of some neural network types. The work is based on the DARTS (Differentiable architecture search) approach and implements similar system in TensorFlow. Experiments with regular convolution neural networks, convolution neural networks using approximate multipliers and neural networks combining attention and convolution machanisms are presented. The main contribution of this work is novel implementation of a diferentiable architecture search system supporting various layers from the recent versions of the TensorFlow library.
|
|
|
Profiling of Embedded Applications
Koleček, František ; Mrázek, Vojtěch (referee) ; Strnadel, Josef (advisor)
This thesis is about profiling of embedded applications. The thesis is focused primarily on the ARM Cortex-M platform. The theoretical part of this thesis contains explanation of basic principles and terms associated with profiling and development of embedded applications. The thesis also summarizes existing profiling methods and tools associated with this topic. The goal of the practical part of this thesis is to use the chosen means to profile various parameters and evaluate the results. I decided to implement a library containing profiling tools, which allow for execution time measurement and stack usage measurement. Results obtained using this library were analyzed by calculating the measurement uncertainty.
|
|
|
Modelling of Neural Network Hardware Accelerators
Klhůfek, Jan ; Sekanina, Lukáš (referee) ; Mrázek, Vojtěch (advisor)
The aim of this master thesis is modeling of neural network accelerators with HW support for quantization. The thesis first focuses on the concept of computation in convolutional neural networks (CNNs) and introduces different categories of hardware architectures that are used for their processing. Following this, optimization techniques for CNN models are summarized, with the goal of achieving efficient processing on specialized hardware architectures. The subsequent part of the thesis involves a comparison of existing analytical tools that are used to estimate hardware performance parameters during inference and which can be expanded to incorporate quantization support. Based on an experimental comparison, the Timeloop tool was selected for the purposes of this thesis. A thorough explanation of this tool's functionality is presented, along with a concept and implementation of its expansion to support quantization. In conclusion, the thesis experimentally tests the impact of various quantization configurations on evaluated inference parameters across different hardware architectures.
|
|
|
Automatic Quantization of Neural Networks
Šafář, Miroslav ; Vašíček, Zdeněk (referee) ; Mrázek, Vojtěch (advisor)
Quantization of deep neural networks is a common way to optimize the networks for deployment on energy and memory-constrained devices while maintaining an acceptable accuracy loss. Mixed-precision quantization for weights and activations allows even better memory and energy savings. But selecting the precision for each layer needs expert knowledge and a deep network analysis. In this work, we address this problem and we present a system for automated mixed-precision quantization of neural networks. We utilize the multi-objective evolutionary algorithm NSGA-II and quantization-aware training for fine-tuning the quantization configurations. We conducted experiments with a subset of the ImageNet dataset and MobileNet network. We achieved accuracies comparable to floating-point models while making the memory footprint of the model about ten times smaller. The proposed approach outperforms a widely-used uniform quantization by almost 100 %. These size savings result in the costs of memories in the hardware accelerator savings. Therefore the proposed approach allows deploying deep neural networks to even smaller devices.
|
guest ::
RSS feed.