|
|
Skutečně chytrá chytrá zásuvka
Valušek, Ondřej ; Zemčík, Pavel (oponent) ; Materna, Zdeněk (vedoucí práce)
Na trhu je dnes k dispozici mnoho takzvaně chytrých zásuvek. Jejich využití je však značně omezené. Typicky umí měřit spotřebu a lze je spínat na dálku pomocí mobilní aplikace nebo časovače. Tato práce řeší, jak využít spínací modul s měřením spotřeby k tomu, aby se ze zásuvky stala skutečně chytrá zásuvka, která umí rozpoznat co je do ní aktuálně připojeno pouze na základě krátkého časového okna, a to až pro tři spotřebiče najednou. Spotřeba je měřena chytrým relé Shelly 1PM společně pro tři zástrčky. Extrakcí příznaků z časové řady, detekcí neznámých spotřebičů pomocí SVM a poté klasifikaci neuronovou sítí se podařilo dosáhnout přesnosti přes 99 % na datasetu obsahující různé kombinace zapojení chytré televize, stolní lampičky a notebooku. Informace o aktuálně připojených spotřebičích jsou přehledně zobrazeny ve webovém rozhraní a také jsou průběžně zapisovány do databáze pro zpětné zobrazení statistik. Informaci o připojení a odpojení spotřebičů je také dále možné poslat do systému pro správu chytré domácnosti.
|
|
|
Evolutionary Design of EEG Data Classifier
Kuželová, Simona ; Jawed, Soyiba (oponent) ; Mrázek, Vojtěch (vedoucí práce)
This thesis focuses on developing an effective classifier for candidate classification based on a set of extracted Electroencephalography (EEG) signal features. To achieve this, a genetic algorithm was utilized for feature selection and optimalization of the classifier’s parameters based on five criteria: minimizing the number of features, minimizing inference time, and maximizing classification sensitivity, specificity, and accuracy. The eyes opened EEG data of 31 candidates suffering from Major Depressive Disorder (MDD) and 28 healthy candidates were used for feature extraction, with the goal of classifying candidates as either having MDD or being healthy. Two algorithms, NSGA-II and NSGA-III, were tested. The proposed algorithm operated with three criteria, but two additional criteria, sensitivity and specificity, were added. NSGA-III was more effective in this case and was used in the remaining experiments. Constraints were introduced to improve performance, and different values for the mutation and crossover probability were tried. The classifiers from the final result have an average accuracy of $91.36\%$, sensitivity of $91.82\%$, and specificity of $90.84\%$. In the final experiments most frequently used channels were F3 and C3 channels and most commonly utilized waveband was gamma waveband. Overall, this work presents effective classifiers that were obtained using the proposed algorithm, which utilizes a genetic algorithm for parameter optimization.
|
|
|
Skutečně chytrá chytrá zásuvka
Valušek, Ondřej ; Zemčík, Pavel (oponent) ; Materna, Zdeněk (vedoucí práce)
Na trhu je dnes k dispozici mnoho takzvaně chytrých zásuvek. Jejich využití je však značně omezené. Typicky umí měřit spotřebu a lze je spínat na dálku pomocí mobilní aplikace nebo časovače. Tato práce řeší, jak využít spínací modul s měřením spotřeby k tomu, aby se ze zásuvky stala skutečně chytrá zásuvka, která umí rozpoznat co je do ní aktuálně připojeno pouze na základě krátkého časového okna, a to až pro tři spotřebiče najednou. Spotřeba je měřena chytrým relé Shelly 1PM společně pro tři zástrčky. Extrakcí příznaků z časové řady, detekcí neznámých spotřebičů pomocí SVM a poté klasifikaci neuronovou sítí se podařilo dosáhnout přesnosti přes 99 % na datasetu obsahující různé kombinace zapojení chytré televize, stolní lampičky a notebooku. Informace o aktuálně připojených spotřebičích jsou přehledně zobrazeny ve webovém rozhraní a také jsou průběžně zapisovány do databáze pro zpětné zobrazení statistik. Informaci o připojení a odpojení spotřebičů je také dále možné poslat do systému pro správu chytré domácnosti.
|
|
|
Source localization for EEG patterns relevant to motor imagery BCI control
Bobrov, P. ; Frolov, A. ; Húsek, Dušan ; Tintěra, J.
This work concerns spatial localization of sources of EEG patterns the most specific for control of the motor imagery based BCI. In our previous work we have shown that performance of Bayesian BCI classifier can be drastically improved by extraction of the most relevant independent components of the EEG signal. This paper presents the results of spatial localization of electrical brain activity sources which activity is reflected by the extracted components. The localization was performed by solving the inverse problem in EEG source localization, using individual finite-element head models. The sources were located in central sulcus (Brodmann area 3a), in the superior regions of post- and precentral gyri, and supplementary motor cortex.
|
host ::
RSS.