Identifikace projevů responzivní složky elektrodermální aktivity

Simple item page
but.committeeprof. Ing. Martin Černý, Ph.D. (předseda) doc. Ing. Radim Kolář, Ph.D. (místopředseda) Ing. Oto Janoušek, Ph.D. (člen) Ing. Lukáš Smital, Ph.D. (člen) Ing. Tomáš Vičar, Ph.D. (člen) doc. Ing. Radovan Jiřík, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Vičar položil otázku, proč byly použity pouze jedna nebo dvě konvoluční vrstvy v neuronové síti? Ing. Smital položil otázku, o jaké konkrétně data se jednalo a jakou aktivitu vykonávaly měřené subjekty? Ing. Vičar položil otázku, jestli byl v práci replikován detektor peaků? Student obhájil diplomovou práci s výhradami.cs
but.jazykčeština (Czech)
but.programBioinženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorKolářová, Janacs
dc.contributor.authorVraný, Jakubcs
dc.contributor.refereeVičar, Tomášcs
dc.date.created2022cs
dc.description.abstractElektrodermální aktivita je druh elektrochemického signálu generovaným v návaznosti na aktivitu autonomního nervového systému, který stimuluje potní žlázy. Tímto způsobem lze měřit aktivitu sympatické části nervstva a vyhodnotit kognitivní zátěž vyšetřované osoby, která se projevuje responzivními signály v záznamu EDA, resp. jejich vyšší četností. Cílem této práce je navrhnout algoritmus hlubokého učení pro identifikaci této složky v záznamu dat vypůjčených z databáze UBMI. Záznamy obsahují sekvenci měření konduktance na pokožce vyšetřovaného v čase, které byl podroben střídavě klidovému stavu a následně stavu mentální zátěže. Data byla anotována dle přítomnosti responzivní složky. Následně byl navržen a implementován vhodný algoritmus hlubokého učení určeného ke klasifikaci responzivních složek v měřeném signálu EDA. Model neuronové sítě byl následně setem anotovaných předzpracovaných dat naučen, optimalizován a implementován na vzorcích měření. Získaná data byla statisticky vyhodnocena z pohledu úspěšnosti klasifikace responzivních složek a rozdílů v záznamech mentálního klidu a zátěže. Výsledky klasifikace a porovnání záznamů EDA měřených při různých stavech dotyčného byly následně diskutovány.cs
dc.description.abstractElectrodermal acitivity is a kind of electrochemical signal generated with relation to activity of the autonomic nervous system that stimulates the sweat glands. In this way, is it possible to measure the activity of the sympathetic part of the nerve systém and evaluate the cognitive stress of the treated person, which is manifested by responsive signals in EDA record, respectively to increased occurence of responses. The aim of this work is to design a deep learning algorithm for the identification of this component in the record of data taken from UBMI database. The recordings contain a sequence of measurements the conductance of the skin of patient, who was subjected alternately to the states of rest and subsequently a state of mental stress. The data were annotated according to presence of the responsive components occuring in the records of EDA. Subsequently, a suitable deep learning algorithm was implemented in order to classify the responsive components in the measured EDA signal. The neural network model has been taught, optimized and implemented on the measurement samples using annotated data. The obtained results data were statistically evaluated to qualify the success of the classification of responsive components and differences in the records of mental calm and stress. The results of the classification and comparison of EDA records measured at different conditions of the patient were discussed subsequently.en
dc.description.markDcs
dc.identifier.citationVRANÝ, J. Identifikace projevů responzivní složky elektrodermální aktivity [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.cs
dc.identifier.other139020cs
dc.identifier.urihttp://hdl.handle.net/11012/204904
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectAutonomní nervový systémcs
dc.subjectelektrodermální aktivitacs
dc.subjecthluboké učenícs
dc.subjectresponzivní složkacs
dc.subjectspektrální analýzacs
dc.subjectkonvoluční neuronové sítěcs
dc.subjectklasifikace časové sekvencecs
dc.subjectučení se supervisorem.cs
dc.subjectAutonomic nervous systemen
dc.subjectelectrodermal activityen
dc.subjectdeep learning algorithmen
dc.subjectresponsive componenten
dc.subjectspectral analysisen
dc.subjectconvolution neural networksen
dc.subjecttime sequence classificationen
dc.subjectlearning with supervisor.en
dc.titleIdentifikace projevů responzivní složky elektrodermální aktivitycs
dc.title.alternativeSuppression of the responsive component of electrodermal activityen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2022-06-08cs
dcterms.modified2022-06-10-08:54:09cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid139020en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:31:21en
sync.item.modts2025.01.15 15:07:03en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
6.99 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
3.25 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_139020.html
Size:
8.34 KB
Format:
Hypertext Markup Language
Description:
file review_139020.html
Download
Collections
2022