Detekce stresu
| but.committee | doc. Mgr. Ctirad Hofr, Ph.D. (předseda) Ing. Martin Mézl, Ph.D. (místopředseda) Ing. Oto Janoušek, Ph.D. (člen) doc. Ing. Jiří Kozumplík, CSc. (člen) Ing. Jakub Hejč, Ph.D. (člen) | cs |
| but.defence | Student prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Janoušek položil otázku, počítá se v práci se setrvačností signálů po změně parametrů? Jak byly navozovány jednotlivé typy stresu? Kde byly umístěny snímače? Ing. Hejč položil otázku, jak byla tvořena trénovací a testovací množina dat? Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta. | cs |
| but.jazyk | čeština (Czech) | |
| but.program | Biomedicínské inženýrství a bioinformatika | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Němcová, Andrea | cs |
| dc.contributor.author | Jindra, Jakub | cs |
| dc.contributor.referee | Vítek, Martin | cs |
| dc.date.created | 2019 | cs |
| dc.description.abstract | Detekce stresu založená na non-EEG fyziologických datech může být užitečná pro monitoraci řidičů, pilotů, ale také sledování psychického stavu v běžném každodenním životě – tedy všude tam, kde je monitorace standardním EEG nevhodná. Tato práce využívá Non-EEG databázi volně dostupnou z Physionetu. Databáze obsahuje záznamy tepové frekvence, saturace krve kyslíkem, pohybu, vodivosti pokožky a teploty snímané pro 3 typy stresu prokládáné relaxační fází. V práci byly vytvořeny dva modely. Jeden pro binární klasifikaci stresu/klidu, druhý pro klasifikaci 4 psychických stavů. Nejlepších výsledků bylo dosaženo využitím modelu rozhodovacího stromu s 8 příznaky pro binární klasifikaci a 8 příznaky pro klasifikaci 4 stavů. Přesnost finálních modelů je přibližně 95 % pro binární klasifikaci a 99 % pro klasifikaci 4 psychických stavů. Veškeré algoritmy byly implementovány v jazyce Python. | cs |
| dc.description.abstract | Stress detection based on non-EEG physiological data can be useful for monitoring drivers, pilots, and also for monitoring of people in ordinary situation, where standard EEG monitoring is unsuitable. This work uses Non-EEG database freely available from Physionet. The database contains records of heart rate, saturation of blood oxygen, motion, a conductance of skin and temperature recorded for 3 type of stress alternated with relax state. Two final models were created in this thesis. First model for Binary classification stress/relax, second for classification of 4 different type of psychical state. Best results were reached using model created by decision tree algorithm with 8 features for binary classification and with 8 features for classification of 4 psychical state. Accuracy of final models is aproximately 95 % for binary model and 99 % for classification of 4 psychical state. All algorithms were implemented in Python. | en |
| dc.description.mark | B | cs |
| dc.identifier.citation | JINDRA, J. Detekce stresu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019. | cs |
| dc.identifier.other | 118344 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/177636 | |
| dc.language.iso | cs | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | Detekce | cs |
| dc.subject | stres | cs |
| dc.subject | segmentace | cs |
| dc.subject | analýza | cs |
| dc.subject | extrakce příznaků | cs |
| dc.subject | selekce příznaků | cs |
| dc.subject | strojové učení | cs |
| dc.subject | ladění | cs |
| dc.subject | Python a knihovny Python (SciPy | cs |
| dc.subject | NumPy | cs |
| dc.subject | Pandas a Sklearn). | cs |
| dc.subject | Detection | en |
| dc.subject | stress | en |
| dc.subject | segmentation | en |
| dc.subject | analysis | en |
| dc.subject | features extraction | en |
| dc.subject | features selection | en |
| dc.subject | machine learning | en |
| dc.subject | tuning | en |
| dc.subject | Python and libraries of python (SciPy | en |
| dc.subject | NumPy | en |
| dc.subject | Pandas and Sklearn) | en |
| dc.title | Detekce stresu | cs |
| dc.title.alternative | Stress detection | en |
| dc.type | Text | cs |
| dc.type.driver | masterThesis | en |
| dc.type.evskp | diplomová práce | cs |
| dcterms.dateAccepted | 2019-06-05 | cs |
| dcterms.modified | 2019-06-06-11:40:40 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta elektrotechniky a komunikačních technologií | cs |
| sync.item.dbid | 118344 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2025.03.26 13:36:19 | en |
| sync.item.modts | 2025.01.15 20:35:05 | en |
| thesis.discipline | Biomedicínské inženýrství a bioinformatika | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrství | cs |
| thesis.level | Inženýrský | cs |
| thesis.name | Ing. | cs |
Files
Original bundle
1 - 3 of 3
Loading...
- Name:
- final-thesis.pdf
- Size:
- 2.17 MB
- Format:
- Adobe Portable Document Format
- Description:
- final-thesis.pdf
Loading...
- Name:
- review_118344.html
- Size:
- 5.97 KB
- Format:
- Hypertext Markup Language
- Description:
- file review_118344.html