Řídká reprezentace signálů
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Imobilné či dlholežiace osoby sú rizikovou skupinou na vznik preležanín a zároveň si vyžadujú ďalšiu starostlivosť. Preto je potrebné stav stav takýchto osôb monitorovať a to čo najjednoduchšie a efektívne. V tejto práci sa zameriavame na spracovanie signálu poskytovaného tlakovým matracom so senzorovou mriežkou 30×11, na ktorom je osoba umiestnená a jeho možnosti využitia po prevedení do koeficientov riedkej reprezentácie. Redundantné slovníky, alebo tiež rámce, umožňujú neortogonálne reprezentovanie signálov, čo vedie práve k riedkemu zastúpeniu koeficientov. Keďže tento prístup poskytuje množstvo výhodných vlastností a je využívaný v rôznych aplikáciách, ako odšumovanie, segmentácia, robustné prevody, kvantová teória a ďalšie, overili sme možnosť klasifikovania pozície ľahu osoby na základe riedkej reprezentácie. Výsledky boli porovnávané s ďalšími tradičnými klasifikačnými metódami, ktoré sa svojou spoľahlivosťou preukázali ako menej vhodné pre klasifikačný problém s najlepším dosiahnutým výsledkom 92,41 % pre CNN, avšak s vysokými nárokmi na čas a návrh a zložitosť. Úspešnosť klasifikácie pomocou riedkej reprezentácie dosiahla 92,76 % s nižšími nárokmi na návrh a implementačnú komplexitu. Preskúmané boli tiež možnosti klasifikácie a rekonštrukcie obrazu obsahujúceho oklúzie, kde sa riedka reprezentácia ukázala ako efektívna metóda na odstránenie týchto porúch.
People who are immobile or lie for long periods are at high risk of developing pressure ulcers and require additional care. Therefore, it is necessary to monitor the condition of such persons as simply and efficiently as possible. In this work, we focus on processing the signals provided by a pressure mattress with a 30x11 sensor grid on which a person lays and the possibilities of its use after conversion into sparse representation coefficients. Redundant dictionaries, also known as frames, enable non-orthogonal representation of signals, which leads to a sparse representation of coefficients. Since this approach provides many advantageous properties and is being used in various applications, such as denoising, segmentation, robust transformations, quantum theory, and others, we verified the possibility of classifying a person’s lying position based on a sparse representation. The results were compared with other traditional classification methods, which were found to be less suitable for the classification problem, with the best-achieved result of 92.41 % for CNN, but with high demands on time, design and complexity. The success rate of the classification reached 92.76 %, with fewer demands on design and implementation complexity. The possibilities of classification and reconstruction of an image containing occlusions were also investigated, where the sparse representation proved to be an effective method to remove these defects.
People who are immobile or lie for long periods are at high risk of developing pressure ulcers and require additional care. Therefore, it is necessary to monitor the condition of such persons as simply and efficiently as possible. In this work, we focus on processing the signals provided by a pressure mattress with a 30x11 sensor grid on which a person lays and the possibilities of its use after conversion into sparse representation coefficients. Redundant dictionaries, also known as frames, enable non-orthogonal representation of signals, which leads to a sparse representation of coefficients. Since this approach provides many advantageous properties and is being used in various applications, such as denoising, segmentation, robust transformations, quantum theory, and others, we verified the possibility of classifying a person’s lying position based on a sparse representation. The results were compared with other traditional classification methods, which were found to be less suitable for the classification problem, with the best-achieved result of 92.41 % for CNN, but with high demands on time, design and complexity. The success rate of the classification reached 92.76 %, with fewer demands on design and implementation complexity. The possibilities of classification and reconstruction of an image containing occlusions were also investigated, where the sparse representation proved to be an effective method to remove these defects.
Description
Citation
MESÁROŠOVÁ, M. Řídká reprezentace signálů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
bez specializace
Comittee
doc. Ing. Radovan Hájovský, Ph.D. (předseda)
doc. Ing. Zdeněk Bradáč, Ph.D. (místopředseda)
Ing. Jakub Dokoupil, Ph.D. (člen)
Ing. Zdeněk Havránek, Ph.D. (člen)
Ing. Miroslav Jirgl, Ph.D. (člen)
Ing. Petr Petyovský, Ph.D. (člen)
Date of acceptance
2023-06-06
Defence
Studentka obhájila diplomovou práci. Komise neměla žádné námitky k řešené práci. V průběhu odborné rozpravy odpověděla na dotazy. Studentka odpověděla na dotazy oponenta. Studentka byla dotazována na aplikace její práce a na zkoumané metody identifikace, studentka odpověděla bez výhrad komise.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení