|
|
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.
|
|
|
Evolutionary Optimization of the EEG Classifier Feature Extractor
Ovesná, Anna ; Hurta, Martin (referee) ; Mrázek, Vojtěch (advisor)
This work focuses on the optimisation of EEG signal classification of alcoholics and control subjects using evolutionary algorithms with a multi-objective approach. The main goal is to maximise the accuracy, sensitivity and specificity of the classification algorithm and minimise the number of features used. Four different classifiers are used, namely Support Vector Machine, k-nearest neighbors, Naive Bayes and AdaBoost. The selection of the best features is optimised using three different evolutionary approaches, two of which convert multi-objective optimisation to single-objective using weighted summation or restricting the maximum number of features. The Pareto optimal solutions are found by the NSGA-II algorithm. Results show that the evolutionary algorithms, combined with appropriate classifiers, reliably distinguish a person with a tendency to alcoholism from one with a healthy relationship towards alcohol.
|
|
|
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.
|
guest ::
