Chytrá domácnost: učení rutin
Loading...
Date
Authors
Junák, Petr
ORCID
Advisor
Referee
Mark
E
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se zaměřuje na návrh, vývoj a implementaci inovativního chytrého systému, který využívá data o spánkovém režimu uživatele a strojové učení pro inteligentní ovládání světel v domácnosti. Hlavním cílem je zlepšení kvality spánku uživatele prostřednictvím optimalizace expozice světla, zejména snížením expozice studenému dennímu světlu před spánkem. Práce se vyznačuje důrazem na využití snadno dostupných dat, cenově dostupných hardwarových zařízení a open-source technologií. Jako primární zdroj dat byly využity chytré hodinky FitBit Charge 5, které poskytují podrobné informace o spánkových vzorcích uživatele. Vytvořený model strojového učení, konkrétně lineární regrese, je hostován na platformě Raspberry Pi, která také slouží jako centrální jednotka pro ovládání světel a řízení celkového systému. Kromě ovládání světla systém také podporuje zasílání upozornění uživateli o blížící se doporučené době začátku spánku, což přispívá k celkovému zlepšení spánkové hygieny a kvality spánku.
This thesis focuses on the design, development, and implementation of an innovative smart system that uses user sleep data and machine learning for intelligent control of lights in a household. The main goal is to improve the user’s sleep quality through the optimization of light exposure, particularly by reducing exposure to cool daylight before sleep. The work is characterized by an emphasis on the use of readily available data, cost-effective hardware devices, and open-source technologies. The primary source of data was the FitBit Charge 5 smartwatch, which provides detailed information about the user’s sleep patterns. The created machine learning model, specifically linear regression, is hosted on the Raspberry Pi platform, which also serves as the central unit for controlling lights and managing the overall system. In addition to light control, the system also supports sending notifications to the user about the approaching recommended sleep start time contributing to the overall improvement of sleep hygiene and sleep quality.
This thesis focuses on the design, development, and implementation of an innovative smart system that uses user sleep data and machine learning for intelligent control of lights in a household. The main goal is to improve the user’s sleep quality through the optimization of light exposure, particularly by reducing exposure to cool daylight before sleep. The work is characterized by an emphasis on the use of readily available data, cost-effective hardware devices, and open-source technologies. The primary source of data was the FitBit Charge 5 smartwatch, which provides detailed information about the user’s sleep patterns. The created machine learning model, specifically linear regression, is hosted on the Raspberry Pi platform, which also serves as the central unit for controlling lights and managing the overall system. In addition to light control, the system also supports sending notifications to the user about the approaching recommended sleep start time contributing to the overall improvement of sleep hygiene and sleep quality.
Description
Keywords
Inteligentní domácnost, Kvalita spánku, Strojové učení, Expozice světlu, Teplota světla, Spánkový vzorec, Raspberry Pi, FitBit Charge 5, Automatizace, Ovládání světel, Předzpra- cování dat, Výběr vlastností, Hodnocení systému, metoda regresních lesů, Smart Home, Sleep Quality, Machine Learning, Exposition to light, Light Temperature, Sleep Pattern, Raspberry Pi, FitBit Charge 5, Automation, Light Control, Data Prepro- cessing, Feature Selection, System Evaluation, regression forest method
Citation
JUNÁK, P. Chytrá domácnost: učení rutin [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Ing. Tomáš Hruška, CSc. (předseda)
Ing. Jiří Matoušek, Ph.D. (člen)
Ing. Tomáš Milet, Ph.D. (člen)
Ing. Jiří Hynek, Ph.D. (člen)
doc. Ing. František Zbořil, CSc. (člen)
Date of acceptance
2023-08-22
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Komise ohodnotila práci stupněm 4F, protože nebyl splněn bod 4) zadání. Student nebyl schopen doložit, že navržené řešení je realizováno. Komise shledala nedostatky práce natolik závažné, že se práci rozhodla hodnotit jako nevyhovující. Komise doporučuje doplnit práce zejména v bodech 4) a 5) zadání.
Result of defence
práce nebyla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení