|
|
Automatická klasifikace spánkových fází
Schwanzer, Miroslav ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá klasifikací spánkových fází na základě polysomnografických signálů. Pro vybrané signály byla provedena analýza a selekce příznaků v časové oblasti a ve frekvenční oblasti. Příznaky ke klasifikaci byly získány ze signálů EEG, EOG a EMG. Jako klasifikátory byly použity klasifikační modely typu K-NN, SVM, a umělé neuronové sítě. Úspěšnost klasifikace se liší podle použité metody a rozdělení skupin. Nejlepších výsledků dosahovala klasifikace mezi stavy bdělosti, fáze REM a N3, a to za pomoci neuronové sítě. Zde bylo dosaženo celkové úspěšnosti 93,1 %.
|
|
|
Automatická klasifikace spánkových fází z polysomnografických dat
Vávrová, Eva ; Potočňák, Tomáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá analýzou polysomnografických záznamů, která je založená na výpočtu vybraných parametrů v časové, frekvenční a časově-frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EMG a EOG signálů snímaných v průběhu různých spánkových fází. Pomocí statistické analýzy jsou vybrány parametry, které jsou vhodné pro následnou automatickou klasifikaci spánkových fází, která je zrealizována pomocí umělé neuronové sítě, k-NN klasifikátoru a lineární diskriminační analýzy. V rámci této práce byl vytvořen program s grafickým uživatelským rozhraním v prostředí MATLAB.
|
|
|
Automatická klasifikace spánkových fází z polysomnografických dat
Kříženecká, Tereza ; Potočňák, Tomáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá automatickou klasifikací polysomnografických záznamů, která je založená na analýze parametrů v časové a frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EMG a EOG signálů snímaných v průběhu různých spánkových fází. Pomocí statistické analýzy jsou vybrány parametry, které jsou vhodné pro následnou automatickou klasifikaci spánkových fází. Klasifikace je poté provedena pomocí metody SVM a zhodnocení úspěšnosti klasifikace je provedeno pomocí senzitivity, specificity a procentuální úspěšnosti. Práce byla provedena v programovém prostředí MATLAB.
|
|
|
Analýza dat ze sociálních sítí
Skyva, Petr ; Otrusina, Lubomír (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je prostudovat rozhraní sociálních sítí a následně navrhnout a implementovat systém, který dokáže pravidelně získávat, indexovat a analyzovat stahovaná data. Vytvořený systém je demonstrován na příkladech s počítačovými hrami a je implementován v jazyce Python, kde pro indexování dat využívá ElasticSearch.
|
|
|
Detekce fibrilace síní v EKG záznamu
Húsková, Michaela ; Vítek, Martin (oponent) ; Maršánová, Lucie (vedoucí práce)
Cílem práce je popsat problematiku fibrilace síní a metody umožňující její detekci v elektrokardiogramu. V úvodu teoretického rozboru je vysvětlena podstata elektrofyziologie srdce, a především patofyziologie fibrilace síní. Dále se práce věnuje popisu metod automatické detekce fibrilace síní a možnostem databáze PhysioNet. V praktické části jsou realizovány metody pomocí programového prostředí MATLAB. Po použití statistické analýzy pro zhodnocení kvality parametrů následuje automatická klasifikace dat metodou nejbližšího souseda. Na závěr je prezentována úspěšnost testování.
|
|
|
Automatická klasifikace spánkových fází
Schwanzer, Miroslav ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá klasifikací spánkových fází na základě polysomnografických signálů. Pro vybrané signály byla provedena analýza a selekce příznaků v časové oblasti a ve frekvenční oblasti. Příznaky ke klasifikaci byly získány ze signálů EEG, EOG a EMG. Jako klasifikátory byly použity klasifikační modely typu K-NN, SVM, a umělé neuronové sítě. Úspěšnost klasifikace se liší podle použité metody a rozdělení skupin. Nejlepších výsledků dosahovala klasifikace mezi stavy bdělosti, fáze REM a N3, a to za pomoci neuronové sítě. Zde bylo dosaženo celkové úspěšnosti 93,1 %.
|
|
|
A Machine for Automatic Subject Indexing Using ToC
Pokorný, Jan
The technology developed in the National Library of Technology can extract a document’s table of content (TOC), generate relevant keywords, and suggest terms for various classification schemas (UDC, DDC, LCC, Conspectus). It can fully or substantially automate the process of generating subject access, unite it across libraries, and significantly increase accuracy and relevancy compared to subject assignments by non-specialist catalogers. Such increased quality in subject access terms is often seen in the superior subject facets generated by discovery systems and library OPAC advanced search forms.
Prezentace: idr-1246_1 -  PDF
Videozáznam: ELAG2018-Pokorny -  MP4
|
|
|
Detekce fibrilace síní v EKG záznamu
Húsková, Michaela ; Vítek, Martin (oponent) ; Maršánová, Lucie (vedoucí práce)
Cílem práce je popsat problematiku fibrilace síní a metody umožňující její detekci v elektrokardiogramu. V úvodu teoretického rozboru je vysvětlena podstata elektrofyziologie srdce, a především patofyziologie fibrilace síní. Dále se práce věnuje popisu metod automatické detekce fibrilace síní a možnostem databáze PhysioNet. V praktické části jsou realizovány metody pomocí programového prostředí MATLAB. Po použití statistické analýzy pro zhodnocení kvality parametrů následuje automatická klasifikace dat metodou nejbližšího souseda. Na závěr je prezentována úspěšnost testování.
|
|
|
Automatická klasifikace spánkových fází z polysomnografických dat
Kříženecká, Tereza ; Potočňák, Tomáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá automatickou klasifikací polysomnografických záznamů, která je založená na analýze parametrů v časové a frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EMG a EOG signálů snímaných v průběhu různých spánkových fází. Pomocí statistické analýzy jsou vybrány parametry, které jsou vhodné pro následnou automatickou klasifikaci spánkových fází. Klasifikace je poté provedena pomocí metody SVM a zhodnocení úspěšnosti klasifikace je provedeno pomocí senzitivity, specificity a procentuální úspěšnosti. Práce byla provedena v programovém prostředí MATLAB.
|
|
|
Automatická klasifikace spánkových fází z polysomnografických dat
Vávrová, Eva ; Potočňák, Tomáš (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá analýzou polysomnografických záznamů, která je založená na výpočtu vybraných parametrů v časové, frekvenční a časově-frekvenční oblasti. Parametry jsou počítány z 30s úseků EEG, EMG a EOG signálů snímaných v průběhu různých spánkových fází. Pomocí statistické analýzy jsou vybrány parametry, které jsou vhodné pro následnou automatickou klasifikaci spánkových fází, která je zrealizována pomocí umělé neuronové sítě, k-NN klasifikátoru a lineární diskriminační analýzy. V rámci této práce byl vytvořen program s grafickým uživatelským rozhraním v prostředí MATLAB.
|
host ::
RSS.