|
Vyhodnocování elektrochemických signálů neuronovou sítí
Šílený, Jan ; Kuchta, Radek (oponent) ; Hubálek, Jaromír (vedoucí práce)
Automatizovaná elektrochemická měření jsou zdrojem velkého množství dat určených k následnému vyhodnocování. Tato práce se zabývá problémem zpracování, klasifikace a vyhodnocování elektrochemických signálů pomocí neuronových sítí. Kvůli vysoké dimenzionalitě analyzovaných dat je v této práci využita autoasociativní neuronová síť (AANN). Tento typ sítě provádí redukci dimenzionality filtrováním analyzovaných dat a extrahuje relativně nízký počet význačných parametrů na výstupu svého krčku. Pomocí extrahovaných parametrů je možné provést klasifikaci, vyhodnocení a násleně modelovat analyzovaný experiment díky rekonstrukční části naučené sítě. Dále se tato práce zabývá implementací dopředných neuronových sítí v jazyku OpenCL.
|
|
Dolování dat z databází
Slezák, Milan ; Hynčica, Ondřej (oponent) ; Honzík, Petr (vedoucí práce)
Diplomová práce je zaměřená na představení možností data miningu. Data mining se zabývá odhalováním skrytých vazeb mezi data. Zájem o tuto oblast se datuje do 60. letech 20 století. Analýza dat našla uplatnění nejdříve v marketingu. Ovšem později se rozšířila do více oblastí a její možnosti stále ještě nejsou plně využity. Při analýze procesu je užitečné dodržovat jednu z metodologií, které byly za tímto účelem vypracovány. Metodologie představují struční systematický návod, jakým způsobem je vhodné postupovat. V rámci data miningu se uplatňuje široké množství algoritmů zaměřených na práci s daty. Je samozřejmé, že se zvyšujícím se zájmem o tuto problematiku stoupal i počet vhodných programů, které je možné pro analýzu využít. Přehled programů, zpracované ukázkové příklady a zhodnocení je také součástí této práce.
|
|
Neuronové sítě a evoluční algoritmy
Vágnerová, Jitka ; Rychtárik, Milan (oponent) ; Hrubeš, Jan (vedoucí práce)
Diplomová práce se zabývá použitím zvolených evolučních algoritmů k určení a úpravě parametrů neuronové sítě. K úpravě parametrů sítě se zpětným šířením chyby byly použity genetické algoritmy, evoluční strategie a evoluční programování. Součástí práce je program vytvořený v prostředí Matlab, ve kterém byly použité metody testovány na úlohách rozpoznávání vzorů a predikci průběhu funkce. Výsledkem práce jsou grafy průběhu chyby sítě a fitness během úpravy pomocí zvolených algoritmů a průběhů chyby při následném učení.
|
|
Počítačová analýza sportovních zápasů
Židlík, Pavel ; Balík, Miroslav (oponent) ; Atassi, Hicham (vedoucí práce)
Tato práce se zabývá možností rychlé analýzy fotbalového utkání z audio složky záznamu s možností využití některých metod také pro jiná než fotbalová utkání. Při úvodním zamyšlení bylo zaměřeno na detekci hvizdu píšťalky. Ten se ve spektru projevuje svým specifickým základním kmitočtem, který je mimo kmitočty běžné mluvy. Po odhadu harmonických kmitočtu, bylo zaměřeno na rozpoznání významu hvizdu. K této problematice bylo využito pana rozhodčího, který mne informoval o počtu druhů hvizdu a poskytl mi referenční vzorky pro klasifikaci hvizdu. Pro zjištění významu hvizdu bylo použito neuronové sítě s typem učení zpětné šíření. Dalším příznakem pro detekci významných okamžiků ze zápasu bylo zaměřeno na základní tón komentátora. V případě, že komentátor zápas prožívá naplno tak s každou významnou akcí, která se v zápase odehraje, se automaticky zvyšuje také jeho základní tón promluvy. Dalším příznakem, na který bylo zaměřeno, je detekce zvýšeného základního tónu komentátorova hlasu. Významným okamžikem v zápase jsou také národní hymny týmu, které proti sobě hrají. Dalším příznakem pro analýzu je tedy detekce hymny. Pro získání příznaku z audio signálu bylo využito výhod melovských kepstrálních koeficientů (MFCC) z nich bylo získáno 20 koeficientů. Tyto koeficienty byly použity jako vstup pro klasifikátor založený na neuronové sítí s typem učení zpětné šíření. Pro snadné použití těchto metod bylo vytvořeno grafické uživatelské rozhraní s možností přehledného náhledu získaných výsledků a také s možností přehrání vybraného úseku.
|
|
Detekce srdečních buněk v mikroskopickém obrazu
Musikhina, Ksenia ; Hrubeš, Jan (oponent) ; Rychtárik, Milan (vedoucí práce)
Tato diplomová práce se zabývá problematikou detekce srdečních buněk v mikroskopickém obrazu. Byly vyzkoušeny různé způsoby předzpracování a segmentace obrazu za účelem určit nejvhodnější metody pro další klasifikaci. Pro samotnou klasifikaci pak byly otestovány různé metody: metoda příznaku objektu a klasifikátory založené na principu neuronových sítě. Výstupem pak byl počet živých a mrtvých buněk a jejích procentní poměr v původním mikroskopickém obraze. Míry účinnosti každého z klasifikátorů byly spočítány pomocí společného uvažování hodnot sensitivity a specificity. Pro zlepšení názorností výsledků bylo vytvořeno grafické rozhrání v prostředí MATLAB.
|
|
Detekce a rozpoznávání dopravních značek
Číp, Pavel ; Honec, Peter (oponent) ; Horák, Karel (vedoucí práce)
Práce se zabývá diskuzí nad metodami detekce a rozpoznávání dopravních značek v městském i mimoměstkém prostředí. Předpokladem pro realizaci systému je zabudovaná kamera, obvykle ve zpětném zrcátku automobilu, snímající scénu před automobilem. Její obrazová data jsou posléze zpracována připojeným PC, kde dochází k převodu dat na informace a jejich vyhodnocení. O případné nalezené značce je řidič vizuálně či akusticky upozorněn. Úloha vedoucí k úspěšnému cíli je rozdělena do čtyřech samostatných bloků. V první části je předzpracování obrazu jako takového. Pracujeme s barevným obrazem a s využitím znalosti o barevnosti dopravních značek v České republice, lze provést barevnou segmentaci žádaných intervalů. Druhým krokem je detekce geometrických tvarů odpovídajících dopravním značkám v segmentovaných datech. Krokem číslo tři je rozpoznání vnitřního piktogramu a jeho nalezení v databázi. Posledním krokem je vizuální výstup zobrazením nalezené dopravní značky. Práce byla zpracována tak, aby byla zajištěna detekce všech důležitých dopravních značení ve třech základních barevných kombinacích platných dle Ministerstva dopravy České republiky. Výsledkem je zdrojový kód pro program MATLAB.
|
|
Klasifikace signálu EKG
Smělý, Tomáš ; Harabiš, Vratislav (oponent) ; Hrubeš, Jan (vedoucí práce)
Tato diplomová práce se zabývá klasifikací různých průběhů EKG signálů. Úkolem bylo rozpoznat normální cykly od různých typů arytmií a určit, o jaké poruchy se jedná. Klasifikace byla provedena pomocí neuronových sítí v nadstavbě programového prostředí Matlab (Neural Network Toolbox). Výsledkem této práce je aplikace, která po načtení EKG signálu z databáze provede jeho předzpracování a následnou klasifikaci jednotlivých kvaziperiod do pěti různých tříd. Procentuální výsledky klasifikace jsou uvedeny v závěru práce.
|
|
Analýza AVG signálů
Musil, Václav ; Sekora, Jiří (oponent) ; Rozman, Jiří (vedoucí práce)
Předkládaná diplomová práce se zabývá vybranými metodami analýzy AVG signálů. Cílem této práce je klasifikace těchto signálů a tím přispění k možnostem neinvazivní diagnostiky ischemické choroby dolních končetin. K tomu je využito klasifikace založené na principech vícerozměrné statistické analýzy a na postupech využívajících neuronové sítě. Ke zpracování je použita angiograficky ověřená databáze dat AVG signálů. V závislosti na stupni stenózy, určené digitální subtrakční angiografií, jsou pacienti v tomto souboru roztříděni do tří separovatelných tříd. Na programové klasifikaci do jedné ze tří tříd se podílí 6 parametrů určených z AVG signálů, které byly pořízeny na třech místech měření dolní končetiny. Jako komplexní se jeví přístup k hodnocení choroby ze signálů naměřených na celé dolní končetině. Senzitivita metody shlukové analýzy vzhledem k angiografii se pohybuje v rozmezí 82,75 % až 90,90 %, specificita pak mezi 80,66 % a 88,88 %. Při klasifikaci neuronovými sítěmi jsou hodnoty senzitivity v rozmezí 79,06 % až 96,87 % a hodnoty specificity mezi 73,07 % a 91,30 %.
|
|
Využití neuronových sítí pro klasifikaci alternací vlny T
Procházka, Tomáš ; Harabiš, Vratislav (oponent) ; Hrubeš, Jan (vedoucí práce)
Tato práce se zabývá analýzou pravidelných změn vlny T v EKG signálu nazývaných TWA. Přítomnost těchto alternací může znamenat zvýšené riziko náhlé srdeční smrti. K analýze TWA je zde využito algoritmů trénování neuronových sítí, konkrétně pak samoorganizujících se map. Výstupem této práce je program, který v testovaném EKG signálu nejprve detekuje QRS komplexy a získané referenční body následně využije k detekci T-vln. Vektor specifických bodů reprezentujících nalezené T-vlny je potom analyzován pomocí neuronové sítě. Výsledkem je rozhodnutí o míře přítomnosti TWA v analyzovaném signálu.
|
|
Využití neuronových sítí v klasifikaci srdečních onemocnění
Skřížala, Martin ; Tannenberg, Milan (oponent) ; Hrubeš, Jan (vedoucí práce)
Práce je zaměřená na návrh a využití umělých neuronových sítí jako klasifikátoru srdečních onemocnění z EKG signálu se zaměřením na ischemickou chorobu srdeční. Změny ST-T komplexů jsou významným ukazatelem ischemie v EKG signálu. Různe typy ischemické choroby srdeční se projevují zejména elevací nebo depresí ST segmentů a změnami T vlny v analyzovaném signálu. První část této práce obsahuje teoretický úvod popisující jednotlivé typy ischemické choroby srdeční a na ně vázané změny EKG signálu. Druhá část je věnována popisu předzpracování EKG signálu ke klasifikaci neuronovými sítěmi. Obsahuje filtraci EKG, QRS detekci, detekci ST-T komplexů a popis analýzy hlavních komponent a její využítí k popisu analyzovaného signálu. V poslední části práce je popsán návrh a způsob detekce možných příznaků ischemické choroby srdeční v EKG pomocí dvou typů umělých neuronových sítí: Back-propagation, SOM. Dále jsou zde uvedeny výsledky navržených algoritmů. Přílohy obsahují popis navrženého programu pro klasifikaci srdečních onemocnění, popis jednotlivých jeho funkcí, dále zde najdeme podrobný popis všech použitých neuronových sítí a tabulky obsahující detailní výsledky klasifikace EKG signálu. Samotný program byl vytvořen v programovacím prostředí Matlab R2007b.
|