Využití algoritmu DTW pro vyhodnocování vad řeči dětí postižených Landau-Kleffnerovým syndromem (LKS)

Rozměr: px
Začít zobrazení ze stránky:

Download "Využití algoritmu DTW pro vyhodnocování vad řeči dětí postižených Landau-Kleffnerovým syndromem (LKS)"

Transkript

1 Využití algoritmu DTW pro vyhodnocování vad řeči dětí postižených Landau-Kleffnerovým syndromem (LKS) Petr Zlatník České vysoké učení technické v Praze, Fakulta elektrotechnická Abstrakt: Tento článek pojednává o jedné z možností klasifikace Landau- Kleffnerova syndromu, který zřídka postihuje malé přeškolní děti. Problém je řešen ve spolupráci s Fakultní nemocnicí v Motole. Tento syndrom je obvykle lékaři klasifikován a sledován pomocí signálů mozkové aktivity (EEG). Zde je využito testování a porovnávání promluv se zdravými dětmi za využití algoritmu (DTW) a více různých charakteristik řeči. Předpokládá se nalezení metody, která bude schopna objektivně určit jednak stupeň postižení daného dítěte a dále by měla být schopna rozpoznat, zda se stav dítěte lepší v průběhu léčby nebo ne. Byly testovány další algoritmy jako např.: využití fonémového rozpoznávače na principu skrytých Markovových modelů (software HTK), ty pracovaly s nedostatečnou přesností a spolehlivostí především v důsledku nedostatku dat pro trénování. 1. Úvod Landau-Kleffnerův syndrom (občas je lékaři nazýván vývojová epileptická afázie) je zřídka se objevující nemoc u dětí, které jsou staré mezi 3 až 10 roky. Projevuje se abnormálními stavy v EEG signálu a jeho diagnóza může být obtížná. Děti mají problémy s opakováním slov, která jsou jim řečena, podle stupně postižení vynechávají nebo natahují hlásky v daných slovech. Nemoc se může jevit jako mentální opoždění, porucha sluchu a schopnosti se učit, dítě může mít problémy soustředit se na určitou věc, může trpět depresí.. Vyhodnocování vad v řeči Pro vyhodnocení vad v řeči je využit algoritmus DTW, který je aplikován na konkrétní promluvy jak od zdravých tak od nemocných dětí a jsou vyhodnoceny rozdíly. Aby posouzení bylo co nejvíc objektivní, je využito více vstupních charakteristik řeči a výsledky jsou průměrovány. Algoritmus DTW byl již testován dříve [6], ale byl zkoušen jen jeden typ parametrizačních koeficientů (kepstrální) a databáze jak zdravých tak i nemocných dětí byla v té době ve špatném technickém stavu. Z těchto důvodů algoritmus pracoval nespolehlivě, docházelo k časté záměně zdravých dětí s nemocnými.

2 .1. Popis algoritmu DTW Algoritmus DTW (Dynamic Time Warping) [4] byl popsán již v mnoha publikacích a je využíván pro rozpoznávání izolovaných slov. Byla provedena modifikace tak, aby ho bylo možno využít pro porovnávání slov od zdravých a nemocných dětí. Všechna zpracovávaná slova mají vzorkovací frekvenci 16kHz. Jsou segmentována s krokem segmentace 0ms a každý segment je váhován Hammingovým oknem [5]. Dále je proveden popis každého segmentu jednotlivými parametrizacemi, které jsou popsány dále. Potom je vypočítána matice vzdáleností d i,j využitím Euklidovských vzdáleností z parametrických vektorů W 1 (testovací) a W (referenční) z obou slov, kde W 1 = w 11, w 1,..., w 1I aw = w 1, w,..., w I kde I je počet segmentů prvního slova a J je počet segmentů druhého slova, které jsou porovnávány. Euklidova vzdálenost d i,j dvou vektorů w 1i a w j kde i = 1,,..., I, j = 1,,..., J je definována jako d i,j = N (u n v n ), (1) n=1 kde w 1i = u 1, u,..., u N a w j = v 1, v,..., v N, kde v and u jsou složky parametrických vektorů w 1i a w j, které popisují každé slovo. N je počet parametrů, které popisují segment. Matice vzdáleností je potom procházena z počátečního rohu do koncového ve směru nejmenších vzdáleností a je vypočítán součet minimálních vzdáleností S. Cesta průchodu není po přímce, ale po obecné křivce. V počátečním rohu S = d 1,1. Následující hodnota součtu minimálních vzdáleností S = S + min(s1, S, S3), kde S1 = d i+1,j, S = d i+1,j+1 a S3 = d i,j+1, kde i je index řádků a j je index sloupců matice vzdáleností. Tento výpočet je prováděn tak dlouho, dokud se nedosáhne protějšího rohu matice. Tato matice (pokud není provedeno normování na stejný počet segmentů obou slov) nemá stejný počet řádků a sloupců. Je to dáno tím, že každé dítě řekne stejné slovo s různou délkou promluvy. Velikost celkového součtu akumulované vzdálenosti S je mírou podobnosti obou porovnávaných slov. Pokud jsou porovnány dvě totožná slova, potom S = 0... Vybranéř řečové charakteristiky Bylo zjištěno, že každá charakteristika je jinak citlivá například na záměnu hlásky ve slově nebo její nevyslovení. Proto je zvoleno více charakteristik a výsledky jsou porovnávány a průměrovány...1. Koeficienty odrazu (RC) Každý segment je reprezentován koeficienty odrazu [5], které jsou počítány z Burgova algoritmu [5]. Jedná se o jeden z rychlých algoritmů pro výpočet parametrů autoregresního modelu. Jeho výhodou je zaručená stabilita řešení, protože pro koeficicienty odrazu k m lze psát k m < 1, () což je podmínka, která stačí pro zajištění stability syntetizujícího filtru. Pro výpočet koeficientů lze psát následující rovnice. kde k m = N 1 n=m (e (m 1) [n] g (m 1) [n 1]) N 1 n=m (e (m 1) [n]) + N 1 n=m (g (m 1) [n 1]), (3) e (0) [n] = g (0) [n] = s[n] (4)

3 pro n = 0,..., N 1, kde N je počet vzorků na segment a s[n] je označení vzorků v segmentu. e (m) [n] = e (m 1) [n] + k m g (m 1) [n 1] (5) pro n = m,..., N 1 g (m) [n] = g (m 1) [n 1] + k m e (m 1) [n] (6) pro n = m,..., N 1 kde e (m) [n] je dopředná predikce a g (m) [n] je zpětná predikce.... Koeficienty lineární predikce (LPC) Koeficienty lineární predikce a (m) k lze vypočítat z koeficientů odrazu k m pomocí přímé Levinsonovy rekurze [5]. Tu lze popsat následujícími vztahy. V počátku, m = 1 a (1) 1 = k 1 (7) kde m =, 3,..., p a (m) k a (m) k = k m (8) = a (m 1) k + k m a (m 1) k 1 (9) pro k = 1,..., m 1, kde p je řád analyzujícího filtru autoregresního modelu...3. Kepstrálnáíkoeficienty (CC) Kepstrální koeficienty [5] by měly být robustnější než LPC koeficienty, protože lépe modelují vokální trakt. Můžou být odvozené z diskrétní Fourierovy transformace, ale zde je proveden jejich výpočet z LPC koeficientů a (m) k z následujících vztahů [5], protože tyto koeficienty již byly k dispozici v předchozím kroku. c[n] = a n 1 n c[0] = 1 ln(α) (10) n 1 k=1 (n k)a k c[n k] (11) pro n > 0, a n = 0 pro n > p, α je výkon chyby predikce, p je řád autoregresního modelu, a n jsou LPC koeficienty a c[n] jsou počítané kepstrální koeficienty LPC koeficient (1.LPC) Dále je využíván a testován 1. LPC koeficient. 0. LPC koeficient využít nelze, protože jeho hodnota je vždy , 1., a. kepstrální koeficienty (0.CC, 1.CC a. CC) Jako další ze zvolených parametrizací jsou zvoleny jednotlivě tyto koeficienty a jejich robustnost a využitelnost bude dále zjišťována...6. Energie chyby predikce (Ep) Energii chyby predikce [5] každého segmentu lze obdržet například při výpočtu autoregresních koeficientů při využití autokorelační metody, kde se ve výpočtu uplatní jednotlivé autokorelační koeficienty a parametry autoregresního modelu. Pro tyto účely bylo testováno, že je E p nutno využít v db podle následujícího vztahu. Potom se jedná o jednouchou, velice efektivní a spolehlivou parametrizaci. E p (db) = 10 log 10 E p (1)

4 ..7. Energie segmentu (En) Dále byla zvolena energie každého segmentu E n [5] jako další parametrizace. Pro efektivnější využití je ji nutno opět převést do db jako chybu predikce podle již uvedeného vztahu. E n = N 1 kde N je počet vzorků na segment a x[n] jsou jednotlivé vzorky...8. Počet průchodů signálu nulou (ZCR) n=0 x [n], (13) Tato parametrizace [7] může být efektivní pro případ, kdy dítě vynechá ve slově neznělou hlásku jako např.: s nebo š. Počet průchodů nulou pro neznělé hlásky je totiž podstatně vyšší než pro znělé. Funkce pro výpočet průchodu signálu nulou Z(n) může být definována jako Z(n) = N 1 n=0 sgn(x[n]) sgn(x[n 1]), (14) kde N je počet vzorků na segment a x[n] jsou jednotlivé vzorky...9. Mel frekvenční kepstrální koeficienty (MFCC) Tyto a následující koeficienty byly převzaty z parametrizací, které využívá software HTK [1,3], který je využíván především pro rozpoznávání řeči a jiné aplikace, využívá skrytých Markovových modelů (HMM). MFCC koeficienty by měly patřit mezi jedny z nejvíce robustních parametrzací, jsou navrženy tak, aby co nejvíce respektovaly parametry vokálního traktu. Nejprve je lineární frekvenční osa převedena na nelineární Mel frekvenční využitím vztahu Mel(f) = 595 log 10 (1 + f ). (15) 700 Dále je využita speciální banka filtrů která má 6 kanálů. Šířka pásma jednotlivých kanálů (dvojnásobek m j ) je zvětšována v souladu s následujícími rovnicemi a každý kanál je váhován trojúhelníkovým oknem s příslušnou šířkou dvojnásobku m j. Okno je posouváno s překryvem kanálů vždy z jednoho bodu m j 1 do následujícího m j+1, kde bod m j je vrchol příslušejícího vrcholu okna. m min = Mel(300) (16) m max = Mel(8000) (17) d = m max m min P + 1 (18) m j = m min + j d, (19) kde j = 1,,..., P, P = 6 (počet kanálů banky), čísla 300 a 8000 znamenají minimální a maximální frekvence v Hz. Nejprve je každý segment popsán amplitudovými spektrálními koeficienty (FFT). Dále jsou tyto koeficienty v jednotlivých frekvenčních pásmech váhovány výše popisovanými trojúhelníkovými okny a v každém oknu je proveden součet amplitud spektrálních koeficientů. Na všech 6 součtů ja potom aplikována Diskrétní kosínová transformace definovaná ve vztahu níže a jsou vypočítány uvažované mel frekvenční kepstrální koeficienty c i. c i = N N j=1 m j cos( πi (j 0, 5)), (0) N

5 Obrázek 1: Součet sum pořadí pro slova různobarevný a mateřídouška, tmavý průběh je pro nemocné děti kde N = 6 je počet kanálů banky filtrů Delta koeficienty (DC) Delta koeficienty d i [1,3] byly zkoušeny zvlášť i jako pomocné s logaritmickou energií segmentu a akceleračními koeficienty (popis dále) v jednom parametrizačním vektoru. Používají se jako doplněk k mel frekvenčním kepstrálním, mel frekvenčním spektrálním koeficientům a dalším, doplňují tyto základní vektory pro lepší vlastnosti parametrizace. Z těchto základních koeficientů jsou počítány rozdílem podle d i = c i+1 c i 1, (1) kde d i jsou počítané delta koeficienty a c i+1 jsou koeficienty základní, z kterých je vycházeno Akcelerační koeficienty (ACC ) Akcelerační koeficienty a i [1,3] jsou počítány z delta koeficientů d i opět rozdílem z následující rovnice, použity byly opět zvlášť i jako doplňující k zvolené parametrizaci spolu s delta koeficienty a logaritmickou energií segmentu. a i = d i+1 d i 1 ()..1. Koeficienty z lineární mel frekvenční banky filtrů (MELSPEC+) Koeficienty MELSPEC [1] jsou použity jako možná další parametrizace, přidány pomocné delta a akcelerační koeficienty a logaritmus energie segmentu (proto + v názvu)..13. Koeficienty z logaritmické mel frekvenční banky filtrů (FBANK+) Další možná parametrizace [1], opět přidány pomocné delta a akcelerační koeficienty a logaritmus energie segmentu (proto + v názvu)

6 Obrázek : Součet sum pořadí pro slova televize, popelnice a motovidlo, tmavý průběh je pro nemocné děti 3. Výsledky Všechny parametrizace jsou využity následujícím způsobem [7]. Bylo testováno 9 slov od dvou do pětislabičných. Různobarevný, mateřídouška, televize, popelnice, motovidlo, pohádka, květina, pivo a papír.pro každé slovo bylo vybráno 18 promluv od zdravých a 6 promluv od nemocných dětí. Nejprve byly porovnány pomocí algoritmu DTW všechna slova od zdravých dětí navzájem a byla vypočítána průměrná akumulovaná vzdálenost každého slova zdravého dítěte od všech ostatních. Dále byly porovnány všechny promluvy od nemocných dětí se všemi od zdravých a opět byla vypočítána průměrná akumulovaná vzdálenost každého slova nemocného dítěte od všech zdravých. Potom byla slova seřazena podle průměrné akumulované vzdálenosti a pokud algoritmus správně pracuje, tak posledních 6 pozicí by mělo patřit nemocným dětem. Tento krok byl proveden pro všech 16 uvažovaných parametrizací. Na konec byly provedeny součty všech pořadí pro všechny děti a posledních 6 sum pořadí od nemocných dětí by mělo podstatně převýšit sumy pořadí od zdravých dětí. Pokud dojde k úspěšné léčbě dítěte a vyslovené slovo se začne blížit k průměrným hodnotám akumulovaných vzdáleností zdravých dětí, suma pořadí by měla klesat a promluva by měla splynout se zdravými. Když dojde k tomu že některá z parametrizací selže a zařadí slovo od nemocného dítěte do pořadí zdravých a naopak, nahradí ho ostatní parametrizace které pracují správně a v celkovém součtu by algoritmus měl slovo klasifikovat správně. Z těchto důvodů je využito více vstupních charakteristik řeči, slova jsou hodnocena z více akustických hledisek. Tento postup je proveden pro všech 9 uvažovaných slov. Dále je proveden součet sum pořadí pro dvou, tří, čtyř a pětislabičná slova a tím by mělo dojít ke zvýraznění rozdílu mezi zdravýma a nemocnýma dětma. Výsledek součtu sum pro pětislabičná slova různobarevný a mateřídouška je na obrázku 1. Z obrázku je zřetelně vidět, že dochází k oddělení nemocných dětí od zdravých, sumy pořadí jsou normovány k 1, která tvoří hranici nemocných dětí. Na obrázku je součet sum pořadí pro čtyřslabičná slova televize, popelnice a motovidlo. Opět je vidět odstup slov nemocných dětí od zdravých.

7 Obrázek 3: Součet sum pořadí pro slova pohádka a květina, tmavý průběh je pro nemocné děti U tří a méněslabičných slov dochází k tomu, že je již některé děti vysloví buďto jako zdravé nebo téměř jako zdravé a v celkovém průměru dochází u některých nemocných dětí z pořadí 19 až 4 ke splynutí se zdravými. Testovat tyto méněslabičná slova má význam jen tehdy, pokud je dítě postiženo natolik, že i tyto slova špatně vyslovuje. Výsledek je vidět na obrázku 3, kde je proveden součet sum pořadí pro tříslabičná slova pohádka a květina. V tabulce 1 je vypočítána průměrná úspěšnost rozlišení zdravý-nemocný všech parametrizací v % počítaná pro čtyř a pětislabičná slova. Pro méněslabičná slova výpočet nemá smysl, protože některé z nich již splývají se zdravými. V tabulce je pořadí přesnosti jednotlivých parametrizací pro rozlišení zdravý-nemocný. Z ní je vidět, že jako nejspolehlivější parametrizace se jeví kepstrální koeficienty, logaritmus energie chyby predikce a koeficienty z logaritmické mel frekvenční banky filtrů. Jako nejméně spolehlivá parametrizace se jeví 1. kepstrální koeficient. CC LPC RC logep ZCR logen 1.LPC 0.CC CC.CC MFCC delta ACC MFCC+ MELSPEC+ FBANK Tabulka 1: Průměrná úspěšnost rozlišení zdravý-nemocný všech parametrizací v % počítaná pro čtyř a pětislabičná slova pořadí parametrizace CC,logEp,FBANK MFCC,MFCC+ logen,0.cc,delta RC,ACC,MELSPEC+ 1.LPC,.CC LPC ZCR 1.CC Tabulka : Pořadí přesnosti jednotlivých parametrizací pro rozlišení zdravý-nemocný

8 4. Závěry Na závěr lze říci, že byl navržen algoritmus, který je schopen rozlišovat zdravé a nemocné děti. Předpokládá se, že pokud se nemocné dítě začne léčit a promluva od něho se začne přibližovat průměru od zdravých dětí, tak začne celkové průměrné pořadí postupně splývat se zdravýma dětma, až bude dítě klasifikováno jako zdravé. Tento předpoklad bude možno testovat později, až budou k dispozici pozdější nahrávky od těchto samých nemocných dětí po několika měsících léčby. Dále budou testovány další parametrizační koeficienty (např.: PLP), budou se hledat korelace mezi jednotlivými parametrizacemi, ty parametrizace které budou vytvářet nejvíce chyb při rozlišení zdravý-nemocný budou pravděpodobně po dalším rozboru vynechány, bude testována robustnost jednotlivých parametrizací na šum. Jako nejvhodnější parametrizace se zatím jeví kepstrální koeficienty, logaritmus energie chyby predikce a koeficienty z logaritmické mel frekvenční banky filtrů. Nejvíce chyb vytváří první kepstrální koeficient. Bude proveden pokus o optimalizace DTW algoritmu z hlediska směru průchodu maticí vzdáleností pro zmenšení chyb a chystá se automatická detekce slov dětí v databázi, pro ulehčení práce s databází. Poděkování Tato práce byla podporována grantem GA ČR - 10/03/H085 Modelování biologických a řečových signálů, IGA MZ ČR - NR 887-3/005 Počítačová analýza řečového projevu a celonočních EEG záznamů u dětí a MSM Transdisciplinární výzkum v biomedicínckém inženýrství. Reference [1] hkt domovská stránka. [] DAVÍDEK, V. SOVKA, P. Číslicové zpracování signálu a implementace. Ediční středisko ČVUT, Praha, 00. [3] NOVOTNÝ, J. Trénování a využití kontextově závislých HMM modelů fonémů. katedra Teorie obvodů, Praha, 00. [4] PSUTKA, J. Komunikace s počítačem mluvenou řečí. Vydala Academia Praha, tisk CENTA, spol. s. r. o., Veveří 39, Brno, [5] SOVKA, P. POLLÁK, P. Vybrané metody číslicového zpracování signálů. Ediční středisko ČVUT, Praha, 001. [6] ZLATNÍK, P. Classification of Landau-Kleffner syndrome. Digital Technologies 004. Žilina, vol. 1, s , Technical University of Žilina, 004. [7] ČMEJLA, R. Vyhodnocování výslovnosti využitím dtw algoritmu. Výzkumná zpráva LK01/005, Praha, srpen 005.

Klasifikace Landau-Kleffnerova syndromu

Klasifikace Landau-Kleffnerova syndromu Klasifikace Landau-Kleffnerova syndromu malých dětí 1. Abstrakt Petr Zlatník ČVUT FEL, K13131 Katedra teorie obvodů Tento příspěvěk pojednává o klasifikaci Landau-Kleffnerova syndromu, který se projevuje

Více

Petr Zlatník, Roman Čmejla. Katedra teorie obvodů, Fakulta elektrotechnická, ČVUT, Praha. Abstrakt

Petr Zlatník, Roman Čmejla. Katedra teorie obvodů, Fakulta elektrotechnická, ČVUT, Praha. Abstrakt Vyhodnocování promluv dětí s poruchami řeči Petr Zlatník, Roman Čmejla Katedra teorie obvodů, Fakulta elektrotechnická, ČVUT, Praha Abstrakt Příspěvek popisuje metodu, která byla vyvinuta pro vyhodnocení

Více

DTW. Petr Zlatník, Roman Čmejla. zlatnip@fel.cvut.cz, cmejla@fel.cvut.cz. Abstrakt: Příspěvek popisuje metodu, která byla vyvinuta pro vyhodnocení

DTW. Petr Zlatník, Roman Čmejla. zlatnip@fel.cvut.cz, cmejla@fel.cvut.cz. Abstrakt: Příspěvek popisuje metodu, která byla vyvinuta pro vyhodnocení Vyhodnocování vad řeči dětí s využitím algoritmu DTW Petr Zlatník, Roman Čmejla České vysoké učení technické v Praze, Fakulta elektrotechnická zlatnip@fel.cvut.cz, cmejla@fel.cvut.cz Abstrakt: Příspěvek

Více

Rozpoznávání izolovaných slov (malý slovník, např. číslovky, povely).

Rozpoznávání izolovaných slov (malý slovník, např. číslovky, povely). Rozpoznávání řeči Každý člověk má originální hlasové ústrojí a odlišný způsob artikulace, to se projevuje rozdílnou barvou hlasu, přízvukem, rychlostí řeči atd. I hlas jednoho řečníka je variabilní a závislý

Více

ADA Semestrální práce. Harmonické modelování signálů

ADA Semestrální práce. Harmonické modelování signálů České vysoké učení technické v Praze ADA Semestrální práce Harmonické modelování signálů Jiří Kořínek 31.12.2005 1. Zadání Proveďte rozklad signálu do harmonických komponent (řeč, hudba). Syntetizujte

Více

Signál v čase a jeho spektrum

Signál v čase a jeho spektrum Signál v čase a jeho spektrum Signály v časovém průběhu (tak jak je vidíme na osciloskopu) můžeme dělit na periodické a neperiodické. V obou případech je lze popsat spektrálně určit jaké kmitočty v sobě

Více

Klasifikace hudebních stylů

Klasifikace hudebních stylů Klasifikace hudebních stylů Martin Šimonovský (mys7@seznam.cz) Rozpoznávání hudby úloha z oblasti DSP klasifikace dle hudebních stylů

Více

1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15

1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních

Více

3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU

3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU 3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU V současné době se pro potlačení šumu u řečového signálu používá mnoho různých metod. Jedná se například o metody spektrálního odečítání, Wienerovy filtrace,

Více

A6M33BIO- Biometrie. Biometrické metody založené na rozpoznávání hlasu I

A6M33BIO- Biometrie. Biometrické metody založené na rozpoznávání hlasu I A6M33BIO- Biometrie Biometrické metody založené na rozpoznávání hlasu I Doc. Ing. Petr Pollák, CSc. 16. listopadu 216-15:16 Obsah přednášky Úvod Aplikace hlasové biometrické verifikace Základní princip

Více

Semestrální práce: Rozpoznání hláskované řeči a převedení na text

Semestrální práce: Rozpoznání hláskované řeči a převedení na text VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství Ústav mechaniky těles, mechatroniky a biomechaniky Technická 2, Brno 616 69 RSZ Základy zpracování signálu Semestrální práce: Rozpoznání hláskované

Více

SYNTÉZA AUDIO SIGNÁLŮ

SYNTÉZA AUDIO SIGNÁLŮ SYNTÉZA AUDIO SIGNÁLŮ R. Čmejla Fakulta elektrotechnická, ČVUT v Praze Abstrakt Příspěvek pojednává o technikách číslicové audio syntézy vyučovaných v předmětu Syntéza multimediálních signálů na Elektrotechnické

Více

v Praze mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9

v Praze mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9 České vysoké učení technické v Praze Algoritmy pro měření zpoždění mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9 31. března 23 Obsah 1 Zadání 1 2 Uvedení do problematiky měření zpoždění signálů 1

Více

Ondřej Drbal. K Katedra teorie obvodů, Fakulta elektrotechnická

Ondřej Drbal. K Katedra teorie obvodů, Fakulta elektrotechnická VYBRANÉ METODY PRO MĚŘENÍ ZPOŽDĚNÍ MEZI SIGNÁLY EEG Ondřej Drbal K13131 - Katedra teorie obvodů, Fakulta elektrotechnická České vysoké učení technické v Praze Abstrakt V dnešní době je využívána výpočetní

Více

DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH

DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských

Více

Quantization of acoustic low level signals. David Bursík, Miroslav Lukeš

Quantization of acoustic low level signals. David Bursík, Miroslav Lukeš KVANTOVÁNÍ ZVUKOVÝCH SIGNÁLŮ NÍZKÉ ÚROVNĚ Abstrakt Quantization of acoustic low level signals David Bursík, Miroslav Lukeš Při testování kvality A/D převodníků se používají nejrůznější testovací signály.

Více

VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ

VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ Markéta Mazálková Katedra komunikačních a informačních systémů Fakulta vojenských technologií,

Více

LPC. Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz. FIT VUT Brno. LPC Jan Černocký, ÚPGM FIT VUT Brno 1/39

LPC. Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz. FIT VUT Brno. LPC Jan Černocký, ÚPGM FIT VUT Brno 1/39 LPC Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz FIT VUT Brno LPC Jan Černocký, ÚPGM FIT VUT Brno 1/39 Plán signálový model artikulačního traktu. proč lineární predikce. odhad koeficientů filtru

Více

Číslicové zpracování signálů a Fourierova analýza.

Číslicové zpracování signálů a Fourierova analýza. Číslicové zpracování signálů a Fourierova analýza www.kme.zcu.cz/kmet/exm 1 Obsah prezentace 1. Úvod a motivace 2. Data v časové a frekvenční oblasti 3. Fourierova analýza teoreticky 4. Fourierova analýza

Více

TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY

TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY V PROSTŘEDÍ MATLAB K. Nováková, J. Kukal FJFI, ČVUT v Praze ÚPŘT, VŠCHT Praha Abstrakt Při rozpoznávání D binárních objektů z jejich diskrétní realizace se využívají

Více

UŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU

UŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU UŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU ANALÝZU VÍCEKANÁLOVÝCH SIGNÁLŮ Robert Háva, Aleš Procházka Vysoká škola chemicko-technologická, Abstrakt Ústav počítačové a řídicí techniky Analýza vícekanálových

Více

Komprese dat Obsah. Komprese videa. Radim Farana. Podklady pro výuku. Komprese videa a zvuku. Komprese MPEG. Komprese MP3.

Komprese dat Obsah. Komprese videa. Radim Farana. Podklady pro výuku. Komprese videa a zvuku. Komprese MPEG. Komprese MP3. Komprese dat Radim Farana Podklady pro výuku Obsah Komprese videa a zvuku. Komprese MPEG. Komprese MP3. Komprese videa Velký objem přenášených dat Typický televizní signál - běžná evropská norma pracuje

Více

ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE

ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA

Více

7 Další. úlohy analýzy řeči i a metody

7 Další. úlohy analýzy řeči i a metody Pokročilé metody rozpoznávánířeči Přednáška 7 Další úlohy analýzy řeči i a metody jejich řešení Výsledky rozpoznávání (slovník k 413k) frantisek_vlas 91.92( 90.18) [H= 796, D= 10, S= 60, I= 15, N=866,

Více

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe

Více

Strategie ACE využívající virtuální elektrody v kochleárních implantátech Nucleus 24

Strategie ACE využívající virtuální elektrody v kochleárních implantátech Nucleus 24 Strategie ACE využívající virtuální elektrody v kochleárních implantátech Nucleus 24 Martin Vondrášek České vysoké učení v Praze, Fakulta elektrotechnická vondram3@fel.cvut.cz Abstrakt: Kochleární implantát

Více

Frekvenční charakteristiky

Frekvenční charakteristiky Frekvenční charakteristiky EO2 Přednáška Pavel Máša ÚVODEM Frekvenční charakteristiky popisují závislost poměru amplitudy výstupního ku vstupnímu napětí a jejich fázový posun v závislosti na frekvenci

Více

Teorie úlohy: Operační zesilovač je elektronický obvod, který se využívá v měřící, výpočetní a regulační technice. Má napěťové zesílení alespoň A u

Teorie úlohy: Operační zesilovač je elektronický obvod, který se využívá v měřící, výpočetní a regulační technice. Má napěťové zesílení alespoň A u Fyzikální praktikum č.: 7 Datum: 7.4.2005 Vypracoval: Tomáš Henych Název: Operační zesilovač, jeho vlastnosti a využití Teorie úlohy: Operační zesilovač je elektronický obvod, který se využívá v měřící,

Více

Pokročil. Vyučující: Prof. Ing. Jan Nouza, CSc., ITE

Pokročil. Vyučující: Prof. Ing. Jan Nouza, CSc., ITE Pokročil ilé metody rozpoznávánířeči Vyučující: Prof. Ing. Jan Nouza, CSc., ITE Cíl předmětu: Seznámit se s nejmodernějšími metodami rozpoznávánířeči s využitím modulové stavebnice HTK (Hidden Model Markov

Více

Direct Digital Synthesis (DDS)

Direct Digital Synthesis (DDS) ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Ing. Radek Sedláček, Ph.D., katedra měření K13138 Direct Digital Synthesis (DDS) Přímá číslicová syntéza Tyto materiály vznikly za podpory

Více

základní vlastnosti, používané struktury návrhové prostředky MATLAB problém kvantování koeficientů

základní vlastnosti, používané struktury návrhové prostředky MATLAB problém kvantování koeficientů A0M38SPP - Signálové procesory v praxi - přednáška 4 2 Číslicové filtry typu FIR a IIR definice operace filtrace základní rozdělení FIR, IIR základní vlastnosti, používané struktury filtrů návrhové prostředky

Více

2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2

2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2 Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací

Více

GIS ANALÝZA VLIVU DÁLNIČNÍ SÍTĚ NA OKOLNÍ KRAJINU. Veronika Berková 1

GIS ANALÝZA VLIVU DÁLNIČNÍ SÍTĚ NA OKOLNÍ KRAJINU. Veronika Berková 1 GIS ANALÝZA VLIVU DÁLNIČNÍ SÍTĚ NA OKOLNÍ KRAJINU Veronika Berková 1 1 Katedra mapování a kartografie, Fakulta stavební, ČVUT, Thákurova 7, 166 29, Praha, ČR veronika.berkova@fsv.cvut.cz Abstrakt. Metody

Více

Virtuální elektrody v kochleárních implantátech Nucleus 24

Virtuální elektrody v kochleárních implantátech Nucleus 24 Virtuální elektrody v kochleárních implantátech Nucleus 24 Martin Vondrášek České vysoké učení v Praze, Fakulta elektrotechnická vondram3@fel.cvut.cz Abstrakt: Kochleární implantát je elektronické zařízení,

Více

České vysoké učení technické v Praze Fakulta elektrotechnická. Předzpracování řeči s šumovým pozadím pro účely komunikace a rozpoznávání

České vysoké učení technické v Praze Fakulta elektrotechnická. Předzpracování řeči s šumovým pozadím pro účely komunikace a rozpoznávání České vysoké učení technické v Praze Fakulta elektrotechnická Předzpracování řeči s šumovým pozadím pro účely komunikace a rozpoznávání Diplomová práce Vypracoval: Petr Fousek Vedoucí práce: Ing. Petr

Více

Dolování dat z multimediálních databází. Ing. Igor Szöke Speech group ÚPGM, FIT, VUT

Dolování dat z multimediálních databází. Ing. Igor Szöke Speech group ÚPGM, FIT, VUT Dolování dat z multimediálních databází Ing. Igor Szöke Speech group ÚPGM, FIT, VUT Obsah prezentace Co jsou multimediální databáze Možnosti dolování dat v multimediálních databázích Vyhledávání fotografií

Více

Analýza a zpracování signálů

Analýza a zpracování signálů Analýza a zpracování ů Digital Signal Processing disciplína, která nám umožňuje nahradit (v případě že nezpracováváme vf y) obvody, dříve složené z rezistorů a kapacitorů, dvěma antialiasingovými filtry,

Více

Snímání biologických signálů. A6M31LET Lékařská technika Zdeněk Horčík Katedra teorie obvodů

Snímání biologických signálů. A6M31LET Lékařská technika Zdeněk Horčík Katedra teorie obvodů Snímání biologických signálů A6M31LET Lékařská technika Zdeněk Horčík Katedra teorie obvodů horcik@fel.cvut.cz Snímání biologických signálů problém: převést co nejvěrněji spojitý signál do číslicové podoby

Více

Motivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky

Motivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky A0M38SPP - Signálové procesory v praxi - přednáška 7 2 Motivace příklad použití lokace radarového echa Význam korelace Popis náhodných signálů číselné charakteristiky (momenty) Matematická definice korelační

Více

Měřící přístroje a měření veličin

Měřící přístroje a měření veličin Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast CZ.1.07/1.5.00/34.0556 III / 2 = Inovace a zkvalitnění výuky prostřednictvím ICT Měřící přístroje a měření veličin Číslo projektu

Více

IDENTIFIKACE ŘEČOVÉ AKTIVITY V RUŠENÉM ŘEČOVÉM SIGNÁLU

IDENTIFIKACE ŘEČOVÉ AKTIVITY V RUŠENÉM ŘEČOVÉM SIGNÁLU VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS

Více

Harmonizace metod vyhodnocení naměřených dat při zkratových zkouškách

Harmonizace metod vyhodnocení naměřených dat při zkratových zkouškách Harmonizace metod vyhodnocení naměřených dat při zkratových zkouškách P. Křemen (Zkušebnictví, a.s.), R. Jech (Zkušebnictví, a.s) Jsou uvedeny principy a postup harmonizace metod zpracování a vyhodnocení

Více

Nabídky spolupráce pro průmysl

Nabídky spolupráce pro průmysl Nabídky spolupráce pro průmysl České vysoké učení technické v Praze kontakty Prof. Ing. Pavel Sovka, CSc., e-mail: sovka@fel.cvut.cz doc. Dr. Ing. Jiří Hospodka, email: hospodka@fel.cvut.cz 17. dubna 2012

Více

Projekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma

Projekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky

Více

Operační zesilovač, jeho vlastnosti a využití:

Operační zesilovač, jeho vlastnosti a využití: Truhlář Michal 6.. 5 Laboratorní práce č.4 Úloha č. VII Operační zesilovač, jeho vlastnosti a využití: Úkol: Zapojte operační zesilovač a nastavte jeho zesílení na hodnotu přibližně. Potvrďte platnost

Více

ANALÝZA LIDSKÉHO HLASU

ANALÝZA LIDSKÉHO HLASU ANALÝZA LIDSKÉHO HLASU Pomůcky mikrofon MCA-BTA, LabQuest, program LoggerPro (nebo LoggerLite), tabulkový editor Excel, program Mathematica Postup Z každodenní zkušenosti víme, že každý lidský hlas je

Více

CVIČNÝ TEST 5. OBSAH I. Cvičný test 2. Mgr. Václav Zemek. II. Autorské řešení 6 III. Klíč 17 IV. Záznamový list 19

CVIČNÝ TEST 5. OBSAH I. Cvičný test 2. Mgr. Václav Zemek. II. Autorské řešení 6 III. Klíč 17 IV. Záznamový list 19 CVIČNÝ TEST 5 Mgr. Václav Zemek OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 17 IV. Záznamový list 19 I. CVIČNÝ TEST 1 Zjednodušte výraz (2x 5) 2 (2x 5) (2x + 5) + 20x. 2 Určete nejmenší trojciferné

Více

Biomedicínské inženýrství na ČVUT FEL

Biomedicínské inženýrství na ČVUT FEL Biomedicínské inženýrství na ČVUT FEL Přehled pracovišť katedra fyziky elektrotechnologie elektromagnetického pole teorie obvodů kybernetiky mikroelektroniky počítačů měření témata fyzikální metody v medicíně

Více

Strojové učení se zaměřením na vliv vstupních dat

Strojové učení se zaměřením na vliv vstupních dat Strojové učení se zaměřením na vliv vstupních dat Irina Perfilieva, Petr Hurtík, Marek Vajgl Centre of excellence IT4Innovations Division of the University of Ostrava Institute for Research and Applications

Více

doc. Dr. Ing. Elias TOMEH Elias Tomeh / Snímek 1

doc. Dr. Ing. Elias TOMEH   Elias Tomeh / Snímek 1 doc. Dr. Ing. Elias TOMEH e-mail: elias.tomeh@tul.cz Elias Tomeh / Snímek 1 Frekvenční spektrum Dělení frekvenčního pásma (počet čar) Průměrování Časovou váhovou funkci Elias Tomeh / Snímek 2 Vzorkovací

Více

Využití RPS pro potlačování šumu v řečových signálech

Využití RPS pro potlačování šumu v řečových signálech Využití RPS pro potlačování šumu v řečových signálech Ing. Radek Zezula, Ph.D., Ing. Ivan Koula, Prof. Ing. Zdeněk Smékal, CSc. Ústav telekomunikací Vysoké učení technické v Brně Fakulta elektrotechniky

Více

Soustavy se spínanými kapacitory - SC. 1. Základní princip:

Soustavy se spínanými kapacitory - SC. 1. Základní princip: Obvody S - popis 1 Soustavy se spínanými kapacitory - S 1. Základní princip: Simulace rezistoru přepínaným kapacitorem viz známý obrázek! (a rovnice) Modifikace základního spínaného obvodu: Obr. 2.1: Zapojení

Více

METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1

METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ

Více

ANALÝZA A KLASIFIKACE DAT

ANALÝZA A KLASIFIKACE DAT ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných

Více

FOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth

FOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth FOURIEROVA ANALÝZA 2D TERÉNNÍCH DAT Karel Segeth Motto: The faster the computer, the more important the speed of algorithms. přírodní jev fyzikální model matematický model numerický model řešení numerického

Více

Pokročilé operace s obrazem

Pokročilé operace s obrazem Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání

Více

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ OBOR GEODÉZIE A KARTOGRAFIE KATEDRA VYŠŠÍ GEODÉZIE název předmětu úloha/zadání název úlohy Základy fyzikální geodézie 3/19 Legendreovy přidružené funkce

Více

A2M31RAT Řečový signál a jeho základní charakteristiky Model vzniku řeči. Digitalizace a základní kódovací strategie

A2M31RAT Řečový signál a jeho základní charakteristiky Model vzniku řeči. Digitalizace a základní kódovací strategie A2M31RAT Řečový signál a jeho základní charakteristiky Model vzniku řeči. Digitalizace a základní kódovací strategie Doc. Ing. Petr Pollák, CSc. Míst. 461, email: pollak@fel.cvut.cz http://noel.feld.cvut.cz/vyu/a2m31rat

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Hlasové vypínání elektrických přístrojů 1 ÚVOD. 11

Hlasové vypínání elektrických přístrojů 1 ÚVOD. 11 Obsah 1 ÚVOD. 11 2 ÚPRAVA SIGNÁLU PŘED ZPRACOVÁNÍM... 12 2.1 Analogové předzpracování 12 2.2 Analogově číslicový převod...... 12 2.3 Preemfáze...... 13 2.4 Segmentace pomocí oken...... 13 3 AUTOMATICKÉ

Více

APLIKACE ALGORITMŮ ČÍSLICOVÉHO ZPRACOVÁNÍ SIGNÁLŮ 1. DÍL

APLIKACE ALGORITMŮ ČÍSLICOVÉHO ZPRACOVÁNÍ SIGNÁLŮ 1. DÍL David Matoušek, Bohumil Brtník APLIKACE ALGORITMÙ ÈÍSLICOVÉHO ZPRACOVÁNÍ SIGNÁLÙ 1 Praha 2014 David Matoušek, Bohumil Brtník Aplikace algoritmù èíslicového zpracování signálù 1. díl Bez pøedchozího písemného

Více

SPM SPECTRUM NOVÁ UNIKÁTNÍ METODA PRO DIAGNOSTIKU LOŽISEK

SPM SPECTRUM NOVÁ UNIKÁTNÍ METODA PRO DIAGNOSTIKU LOŽISEK SPM SPECTRUM NOVÁ UNIKÁTNÍ METODA PRO DIAGNOSTIKU LOŽISEK V této části prezentujeme výsledky použití metody SPM Spectrum (Shock Pulse Method Metoda rázových pulsů) jako metody pro monitorování stavu valivých

Více

Fyziologická akustika. fyziologická akustika: jak to funguje psychologická akustika: jak to na nás působí

Fyziologická akustika. fyziologická akustika: jak to funguje psychologická akustika: jak to na nás působí Fyziologická akustika anatomie: jak to vypadá fyziologická akustika: jak to funguje psychologická akustika: jak to na nás působí hudební akustika: jak dosáhnout libých počitků Anatomie lidského ucha Vnější

Více

Návrh frekvenčního filtru

Návrh frekvenčního filtru Návrh frekvenčního filtru Vypracoval: Martin Dlouhý, Petr Salajka 25. 9 2010 1 1 Zadání 1. Navrhněte co nejjednodušší přenosovou funkci frekvenčního pásmového filtru Dolní propusti typu Bessel, která bude

Více

Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy

Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování

Více

Základy a aplikace digitálních. Katedra radioelektroniky (13137), blok B2, místnost 722

Základy a aplikace digitálních. Katedra radioelektroniky (13137), blok B2, místnost 722 Základy a aplikace digitálních modulací Josef Dobeš Katedra radioelektroniky (13137), blok B2, místnost 722 dobes@fel.cvut.cz 6. října 2014 České vysoké učení technické v Praze, Fakulta elektrotechnická

Více

Kmitočtová analýza (AC Analysis) = analýza kmitočtových závislostí obvodových veličin v harmonickém ustáleném stavu (HUS) při první iteraci ano

Kmitočtová analýza (AC Analysis) = analýza kmitočtových závislostí obvodových veličin v harmonickém ustáleném stavu (HUS) při první iteraci ano Kmitočtová analýza (AC Analysis) = analýza kmitočtových závislostí obvodových veličin v harmonickém ustáleném stavu (HUS) - napodobování činnosti inteligentního obvodového analyzátoru. Další příbuzné analýzy:

Více

Rozpoznávání hlasových vstupů

Rozpoznávání hlasových vstupů XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, 2003 194 Rozpoznávání hlasových vstupů LIČEV, Lačezar 1 & ALMÁSY, Peter 2 1 Doc., Ing., CSc., Katedra informatiky-456, VŠB-TU Ostrava,

Více

REGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB

REGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB 62 REGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB BEZOUŠKA VLADISLAV Abstrakt: Text se zabývá jednoduchým řešením metody nejmenších čtverců v prostředí Matlab pro obecné víceparametrové aproximační funkce. Celý postup

Více

promluvách založených na rychlém opakováni slabik /pa/-/ta/ /ka/

promluvách založených na rychlém opakováni slabik /pa/-/ta/ /ka/ Automatické hledání významných pozic v Parkinsonických promluvách založených na rychlém opakováni slabik /pa/-/ta/ /ka/ M. Novotný, J. Rusz, R. Čmejla České vysoké učení v Praze, Fakulta elektrotechnická,

Více

SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY

SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY TEMATICKÉ OKRUHY Signály se spojitým časem Základní signály se spojitým časem (základní spojité signály) Jednotkový skok σ (t), jednotkový impuls (Diracův impuls)

Více

Teoretická elektrotechnika - vybrané statě

Teoretická elektrotechnika - vybrané statě Teoretická elektrotechnika - vybrané statě David Pánek EK 63 panek50@kte.zcu.cz Fakulta elektrotechnická Západočeská univerzita v Plzni September 26, 202 David Pánek EK 63 panek50@kte.zcu.cz Teoretická

Více

Teoretický úvod: [%] (1)

Teoretický úvod: [%] (1) Vyšší odborná škola a Střední průmyslová škola elektrotechnická Božetěchova 3, Olomouc Laboratoře elektrotechnických měření Název úlohy Číslo úlohy ZESILOVAČ OSCILÁTOR 101-4R Zadání 1. Podle přípravku

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

Elektroencefalografie. X31LET Lékařská technika Jan Havlík Katedra teorie obvodů

Elektroencefalografie. X31LET Lékařská technika Jan Havlík Katedra teorie obvodů Elektroencefalografie X31LET Lékařská technika Jan Havlík Katedra teorie obvodů xhavlikj@fel.cvut.cz Elektroencefalografie diagnostická metoda, umožňující snímání a záznam elektrické aktivity mozku invazivní

Více

Parametrické přístupy k filtraci ultrazvukových signálů

Parametrické přístupy k filtraci ultrazvukových signálů České vysoké učení technické v Praze Fakulta elektrotechnická Katedra měření Parametrické přístupy k filtraci ultrazvukových signálů Bakalářská práce Luboš Kocourek 2010 Studijní program: Elektrotechnika

Více

Externí 12V / 200 ma (adaptér v příslušenství)

Externí 12V / 200 ma (adaptér v příslušenství) ORCA 2800 DVOUKANÁLOVÝ A/D PŘEVODNÍK Orca 2800 je externí precizní dvoukanálový 24bit A/D převodník s dvěma analogovými a čtyřmi digitálními vstupy, čtyřmi číslicovými výstupy a jedním pomocným D/A převodníkem.

Více

Fyzikální podstata zvuku

Fyzikální podstata zvuku Fyzikální podstata zvuku 1. základní kmitání vzduchem se šíří tlakové vzruchy (vzruchová vlna), zvuk je systémem zhuštěnin a zředěnin podstatou zvuku je kmitání zdroje zvuku a tím způsobené podélné vlnění

Více

Filtrace snímků ve frekvenční oblasti. Rychlá fourierova transformace

Filtrace snímků ve frekvenční oblasti. Rychlá fourierova transformace Filtrace snímků ve frekvenční oblasti Rychlá fourierova transformace semestrální práce z předmětu KIV/ZVI zpracoval: Jan Bařtipán A03043 bartipan@students.zcu.cz Obsah Úvod....3 Diskrétní Fourierova transformace

Více

Implementace rozpoznávače řeči na bázi TANDEM architektury

Implementace rozpoznávače řeči na bázi TANDEM architektury bakalářská práce Implementace rozpoznávače řeči na bázi TANDEM architektury Aleš Brich květen 2014 Doc. Ing. Petr Pollák, CSc. České vysoké učení technické v Praze Fakulta elektrotechnická, Katedra kybernetiky

Více

České vysoké učení technické v Praze Fakulta elektrotechnická. Disertační práce. Jiří Tatarinov. Srpen 2010

České vysoké učení technické v Praze Fakulta elektrotechnická. Disertační práce. Jiří Tatarinov. Srpen 2010 České vysoké učení technické v Praze Fakulta elektrotechnická Disertační práce Srpen 2010 Jiří Tatarinov České vysoké učení technické v Praze Fakulta elektrotechnická Katedra teorie obvodů Detektory řečové

Více

Neuronové časové řady (ANN-TS)

Neuronové časové řady (ANN-TS) Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci

Více

Grafika na počítači. Bc. Veronika Tomsová

Grafika na počítači. Bc. Veronika Tomsová Grafika na počítači Bc. Veronika Tomsová Proces zpracování obrazu Proces zpracování obrazu 1. Snímání obrazu 2. Digitalizace obrazu převod spojitého signálu na matici čísel reprezentující obraz 3. Předzpracování

Více

Úloha č.9 Měření optických kabelů metodou OTDR (Optical Time Domain Reflectometry)

Úloha č.9 Měření optických kabelů metodou OTDR (Optical Time Domain Reflectometry) Úloha č.9 Měření optických kabelů metodou OTDR (Optical Time Domain Reflectometry) 1 Teoretický úvod Měření parametrů optických vláken metodou zpětného rozptylu představuje v současnosti velmi důležitý

Více

Číslicová filtrace. FIR filtry IIR filtry. ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická

Číslicová filtrace. FIR filtry IIR filtry. ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Ing. Radek Sedláček, Ph.D., katedra měření K13138 Číslicová filtrace FIR filtry IIR filtry Tyto materiály vznikly za podpory Fondu rozvoje

Více

Iterační výpočty. Dokumentace k projektu č. 2 do IZP. 24. listopadu 2004

Iterační výpočty. Dokumentace k projektu č. 2 do IZP. 24. listopadu 2004 Dokumentace k projektu č. 2 do IZP Iterační výpočty 24. listopadu 2004 Autor: Kamil Dudka, xdudka00@stud.fit.vutbr.cz Fakulta Informačních Technologií Vysoké Učení Technické v Brně Obsah 1. Úvod...3 2.

Více

SIMULACE ZVUKOVÉHO POLE VÍCE ZDROJŮ

SIMULACE ZVUKOVÉHO POLE VÍCE ZDROJŮ SIMULACE ZVUKOVÉHO POLE VÍCE ZDROJŮ F. Rund Katedra radioelektroniky, Fakulta elektrotechnická, České vysoké učení technické v Praze Abstrakt Studium zvukového pole vytvářeného soustavou jednotlivých zvukových

Více

Mezilaboratorní porovnání při vibračním zkoušení

Mezilaboratorní porovnání při vibračním zkoušení ČSN EN ISO/IEC 17025 ČSN EN ISO/IEC 17043 ISO/IEC Pokyn 43-1 ISO/IEC Pokyn 43-2 ČIA MPA 30-03-12 Ing. Jaromír KEJVAL, Ph.D. SWELL, a.s., Příčná 2071, 508 01 Hořice, Czech Republic e-mail: jaromir.kejval@swell.cz,

Více

Rosenblattův perceptron

Rosenblattův perceptron Perceptron Přenosové funkce Rosenblattův perceptron Rosenblatt r. 1958. Inspirace lidským okem Podle fyziologického vzoru je třívrstvá: Vstupní vrstva rozvětvovací jejím úkolem je mapování dvourozměrného

Více

13 Barvy a úpravy rastrového

13 Barvy a úpravy rastrového 13 Barvy a úpravy rastrového Studijní cíl Tento blok je věnován základním metodám pro úpravu rastrového obrazu, jako je např. otočení, horizontální a vertikální překlopení. Dále budo vysvětleny různé metody

Více

Testování hypotéz o parametrech regresního modelu

Testování hypotéz o parametrech regresního modelu Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,

Více

Klasifikace předmětů a jevů

Klasifikace předmětů a jevů Klasifikace předmětů a jevů 1. Úvod Rozpoznávání neboli klasifikace je základní znak lidské činnosti. Rozpoznávání (klasifikace) předmětů a jevů spočívá v jejich zařazování do jednotlivých tříd. Třídou

Více

" Furierova transformace"

 Furierova transformace UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM FAKULTA ŽIVOTNÍHO PROSTŘEDÍ " Furierova transformace" Seminární práce z předmětu Dálkový průzkum Země Marcela Bartošová, Veronika Bláhová OŽP, 3.ročník

Více

České vysoké učení technické v Praze Fakulta elektrotechnická Katedra teorie obvodů DIPLOMOVÁ PRÁCE. Robustní parametrizace řeči na bázi

České vysoké učení technické v Praze Fakulta elektrotechnická Katedra teorie obvodů DIPLOMOVÁ PRÁCE. Robustní parametrizace řeči na bázi České vysoké učení technické v Praze Fakulta elektrotechnická Katedra teorie obvodů DIPLOMOVÁ PRÁCE Robustní parametrizace řeči na bázi časových trajektorií Autor: Vedoucí práce: Bc. Vojtěch Ondráček Doc.

Více

Základní metody číslicového zpracování signálu a obrazu část II.

Základní metody číslicového zpracování signálu a obrazu část II. A4M38AVS Aplikace vestavěných systémů Přednáška č. 8 Základní metody číslicového zpracování signálu a obrazu část II. Radek Sedláček, katedra měření, ČVUT FEL, 2015 Obsah přednášky Převzorkování decimace,

Více

NG C Implementace plně rekurentní

NG C Implementace plně rekurentní NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty

Více

Jana Dannhoferová Ústav informatiky, PEF MZLU

Jana Dannhoferová Ústav informatiky, PEF MZLU Počítačová grafika Křivky Jana Dannhoferová (jana.dannhoferova@mendelu.cz) Ústav informatiky, PEF MZLU Základní vlastnosti křivek křivka soustava parametrů nějaké rovnice, která je posléze generativně

Více

Moderní multimediální elektronika (U3V)

Moderní multimediální elektronika (U3V) Moderní multimediální elektronika (U3V) Prezentace č. 13 Moderní kompresní formáty pro přenosné digitální audio Ing. Tomáš Kratochvíl, Ph.D. Ústav radioelektroniky, FEKT VUT v Brně Program prezentace Princip

Více

SOFTWARE PRO PREZENTACI EEG SIGNÁLŮ A JEJICH ANALÝZ VYTVOŘENÝCH V MATLABU

SOFTWARE PRO PREZENTACI EEG SIGNÁLŮ A JEJICH ANALÝZ VYTVOŘENÝCH V MATLABU SOFTWARE PRO PREZENTACI EEG SIGNÁLŮ A JEJICH ANALÝZ VYTVOŘENÝCH V MATLABU L.Šenfeld 1, V.Tůma 1 1 Fakulta elektrotechnická, ČVUT v Praze Abstrakt Analýza intrakraniálních elektroencefalogramů je jedna

Více

Modelování a simulace Lukáš Otte

Modelování a simulace Lukáš Otte Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast

Více