|
|
Trully Smart Smart Socket
Valušek, Ondřej ; Zemčík, Pavel (referee) ; Materna, Zdeněk (advisor)
There is a large selection of so called smart sockets available on the market today. The possibilities of these sockets are sadly very limited. Typically, they can measure power consumption, be turned off and on remotely by mobile application and timer. This thesis deals with this problem by showing how a smart relay can be used to create a truly smart smart socket that can classify currently connected appliances using just short time window for up to three devices combined. The power consumption is measured using Shelly 1PM together for three plugs. Using time series feature extraction, unknown device detection with SVM and neural network classification, the accuracy was over 99%. on a dataset containing combinations of smart TV, lamp and a laptop consumption. Information about currently connected devices is displayed on a webpage and written to a database to be viewed later. The information about connecting and disconnecting a device can be further sent to a system for smart home management.
|
|
|
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.
|
|
|
Trully Smart Smart Socket
Valušek, Ondřej ; Zemčík, Pavel (referee) ; Materna, Zdeněk (advisor)
There is a large selection of so called smart sockets available on the market today. The possibilities of these sockets are sadly very limited. Typically, they can measure power consumption, be turned off and on remotely by mobile application and timer. This thesis deals with this problem by showing how a smart relay can be used to create a truly smart smart socket that can classify currently connected appliances using just short time window for up to three devices combined. The power consumption is measured using Shelly 1PM together for three plugs. Using time series feature extraction, unknown device detection with SVM and neural network classification, the accuracy was over 99%. on a dataset containing combinations of smart TV, lamp and a laptop consumption. Information about currently connected devices is displayed on a webpage and written to a database to be viewed later. The information about connecting and disconnecting a device can be further sent to a system for smart home management.
|
|
|
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.
|
guest ::
