|
|
Predikce rychlosti a absolutni rychlosti pohybu z lidských intrakraniálních EEG dat pomocí hlubokých neuronových sítí.
Vystrčilová, Michaela ; Antolík, Ján (vedoucí práce) ; Pilát, Martin (oponent)
Lidský mozek řídí činnosti našeho těla včetně pohybů rukou. V této diplo- mové práci jsme se snažili porozumět tomu, jak je informace o pohybu rukou zakódovaná do elektrické aktivity mozku a jak lze tuto aktivitu použít při predikování rychlosti a absolutní rychlosti pohybu rukou. Pomocí osvědčené hluboké neuronové sítě (Deep4Net), používané k dekódování signálů z EEG, jsme dekódovali rychlost a absolutní rychlost pohybů rukou z intrakraniálního EEG. Úspěšně jsme dosáhli očekávaných hodnot korelace mezi predikovanými a skutečnými proměnnými. Zároveň jsme stanovili vliv amplitud vlnových pásem v různých frekvencích na predikce této sítě. Zjistili jsme, že vliv mod- ulací ve vlnovém pásmu high-gamma je menší, než se očekávalo na základě předchozích studií. Současně jsme identifikovali dvě možné úpravy architek- tury Deep4Net, které mohou vést k lepším predikčním schopnostem. Zaprvé jsme odhalili, že odstraněním max-poolingových vrstev lze dosáhnout stati- sticky signifikantně lepších korelačních koeficientů. Zadruhé jsme objevili, že nerovnoměrné receptivní pole této sítě způsobuje, že se více soustřeďuje na méně relevantní informace, což představuje nevýhodu. 1
|
|
|
Similarity methods for music recommender systems
Vystrčilová, Michaela ; Peška, Ladislav (vedoucí práce) ; Balcar, Štěpán (oponent)
Tradiční hudební doporučovací systémy využívají metody kolaborativního filtrování. To je ovšem nevýhoda pro posluchače, kteří preferují méně mainstreamové skladby, pro- tože kolaborativní filtrování je závislé na popularitě skladeb. Doporučování na základě obsahu by mohlo být rozumná volba při řešení tohoto problému. Vzhledem k tomu, že vyhledávání na základě tagů je rozšířené při napomáhání tradičním hudebním do- poručovacím systémum, v této práci představujeme jiné "content-based" metody, které stanovují podobnost skladeb na základě využití textu a hudby. Jako první jsme vy- hodnotili správnost doporučování několika textových a hudebních metod na playlistech skutečných uživatelů a zjistili, že textové metody mají výsledky konkurence schopné v porovnání s audio metodami. Výsledky také odhalily, že v obou kategoriích jsou metody, které jsou 100 krát lepší než náhodné dopourčování a mají potenciál ke zlepšení. Po vyhodnocovací fázi jsme vybrali kvalitní metody a implementovali je do webové aplikace, která má za cíl doporučovat novou hudbu uživatelům podle dle preferencí. 1
|
host ::
RSS.