Akusticko - fonetické charakteristiky neplynulých promluv
|
|
- Alžběta Moravcová
- před 8 lety
- Počet zobrazení:
Transkript
1 Akusticko - fonetické charakteristiky neplynulých promluv Petr Bergl České vysoké učení technické v Praze, Fakulta elektrotechnická berglp1@fel.cvut.cz 31. října 2007 Abstrakt: Tento příspěvek popisuje základní analýzy akusticko fonetických parametrů, které byly vyhodnoceny pro část databáze koktavých jedinců. Tyto parametry jsou porovnány s výsledky pro plynule hovořící mluvčí. Srovnáván je poměr ticho/řeč (za použití SVM klasifikátoru jako detektoru řečové aktivity), dále obsazení úrovní intenzity a energetická obálka signálu. Na závěr je popsán souhrnný parametr odvozený z výše zmíněných. 1. Úvod Mezi nejčastější poruchy plynulosti řeči patří brebtavost a koktavost. Brebtavost je charakteristická překotným tempem řeči, náhlými lokálními změnami rychlosti a rytmu. V důsledku toho se stává řeč těžko srozumitelnou. Koktavost (balbuties) se projevuje opakováním určitých hlásek či slabik (repetice), prodlužováním hlásek (prolongace), četnými pauzami apod. Důležitý rozdíl mezi těmito onemocněními je ten, že brebtaví si svoji poruchu neuvědomují. Naopak koktaví si jsou své poruchy dobře vědomi. S tím spojený stres pak může vést až ke strachu z mluvení (logofobie). Problémem při léčbě koktavosti je objektivní stanovení její vážnosti. Tu popisuje např. Youngův index: I Y = 100 Nnepl N slov, (1) kde N nepl je počet neplynulostí a N slov je počet slov. Existují též subjektivní škály, např. Rileyho škála (viz [1]) definuje pro konkrétní příznak 6 stupňů: 0 neprojevuje se; 1 je nepostřehnutelný, pokud se nezačne hledat; 2 náhodným posluchačům je nepostřehnutelný; 3 uvádí posluchače do rozpaků; 4 velmi rozptyluje; 5 úporný a těžký.
2 Určení těchto indexů vyžaduje posouzení specialistou foniatrem. Výsledek tohoto soudu však může být subjektivní, výsledné indexy se mohou mezi foniatry lišit. Při posuzování pokroků léčby více lékaři by se tak teoreticky mohlo stát, že nebude správně pozorováno zlepšení či zhoršení neplynulosti. Metoda, která by automaticky a hlavně objektivně určila vážnost poruchy řeči, by byla velkým přínosem. Umožnila by zejména určení tíže poruchy (jakousi absolutní hodnotu ), dále hodnocení výsledků léčby a porovnání efektivnosti a účinnosti léčebného postupu s jiným léčebným postupem. Dle mého názoru jsou možné dva základní přístupy k vyvinutí takové metody: 1) Automatické zaměření všech neplynulostí (repetic, prolongací atd.). 2) Definice parametrů obecně charakterizujících plynulost řeči (např. poměr ticho/řeč). Odchylky těchto parametrů od normy by byly ukazatelem onemocnění. Tato práce se zabývá druhou možností, v následujících kapitolkách se seznámíme s několika akusticko fonetickými charakteristikami a porovnáme je mezi zdravými a koktavými jedinci. 2. Signály a jejich charakteristiky 2.1. Databáze signálů Základem výzkumu je databáze obsahující signály od cca 160 mluvčích s různou vážností poruchy plynulosti řeči, k dispozici máme také promluvy kontrolních zdravých jedinců. Databáze obsahuje jak čtený 1 tak volně formulovaný text. Text pochází z Babičky od Boženy Němcové: Podzim na starém bělidle V okolí starého bělidla začínalo být smutno a ticho. Les byl světlejší, stráň žloutla, vítr a vlny odnášely chomáče starého listí bůh ví kam. Ozdoba sadu uschována byla v komoře. V zahrádce kvetla astra, měsíčky a umrlčí kvítky. Na louce za splavem růžověly se naháčky a v noci prováděla tam světélka svoje rejdy. Když babička šla s dětmi na procházku, nezapomněli chlapci na papírové draky, které pak na vrchu pouštěli Klasifikátor SVM V dalším textu se zmíníme o klasifikátoru SVM (Support Vector Machine). Ten rozděluje lineárně separabilní data ideální nadrovinou, tj. nadrovinou, která má od trénovacích vzorů největší vzdálenost (největší margin). Tím minimalizuje chybu na datech skutečných. S nelineárně separabilními daty si SVM poradí použitím kernel funkcí, v našem případě RBF (Radial Basis Function). Případnou neseparabilitu dat řeší zavedením relaxačních proměnných, které jsou nulové pro správně klasifikované vzory, nenulové pro špatně klasifikované. Minimalizací sumy relaxačních proměnných se zaručí vhodný průběh nadroviny. Pro účely této práce však stačí SVM chápat jako nástroj, na jehož vstup přivedeme parametry krátkého úseku signálu (např. energii, počet průchodů nulou), a na jejímž výstupu obdržíme 0 či 1 (ticho vs. řeč apod.) Zkoumané charakteristiky Všechny následující charakteristiky jsou zkoumány na 9 pacientech s poměrně vážnou poruchou plynulosti řeči a na 9 kontrolních zdravých jedincích. Zkoumán je čtený text Podzim na starém bělidle. 1 U všech jedinců, co umí číst (účastníky jsou i velmi malé děti).
3 Obrázek 1: Histogramy pro délky intervalů řeči resp. ticha. Obrázek 2: Hodnoty poměru ticho/řeč pro 18 jedinců Poměr ticho řeč V promluvách pěti zdravých jedinců byly označeny úseky ticho řeč. Poté byly signály segmentovány s pevnou délkou okna L = 50 ms a překryvem 2 3L. Pro každý segment 3 byly určeny následující parametry 2 : počet průchodů nulou vztažený k délce segmentu; logaritmus energie úseku; první lpc koeficient; logaritmus energie chyby predikce; korelační koeficient; první a druhý spektrální moment; pět maxim segmentu, přičemž první je maximem v první pětině segmentu, druhé je maximem v druhé pětině segmentu atd. Pro 4 promluvy byl natrénován SVM klasifikátor. Úspěšnost na testovacích datech (pátá promluva) byla přes 90%. S tímto natrénováním byly klasifikovány všechny promluvy (zdravých i koktavých). Z výsledků byla spočítána délka každého intervalu řeči, resp. ticha. Četnosti délek vyneseme do histogramů, viz obr. 1, přičemž všechny četnosti byly normovány celkovým počtem úseků dané promluvy (ten je u koktavých podstatně vyšší). Přerušovanou čarou jsou vždy vykresleny hodnoty pro zdravé, plnou pro nemocné jedince. Všimněme si následujících vlastností: 1) intervaly řeči u zdravých jsou delší, typicky nad 1.5 s; 2) intervaly ticha mezi s jsou u zdravých méně četné. Na obr. 2 je vynesen poměr ticho/řeč pro všech 18 účastníků této studie. Pro kontrolní (zdravé) mluvčí vychází v rozmezí od 0.1 do Pro koktavé je v rozmezí od 0.3 do Více o některých parametrech viz [3].
4 Obrázek 3: Histogramy obsazení úrovní intenzity. Vlevo: Průměrné hodnoty. Vpravo: Histogramy všech přes sebe. Detail úpatí, tj. hodnot kolem nuly. K překryvu hodnot dochází jen pro jednoho jedince. Tento výsledek jistě není překvapující. Dá se předpokládat, že promluvy neplynule hovořících osob obsahují více ticha Obsazení úrovní intenzity Pokud zdravý jedinec čte, poměrně rovnoměrně využívá hladiny intenzity zvuku, tj. při čtení nekřičí, na slova nedává přehnaný důraz apod. Oproti tomu koktaví často při vyslovování vyvíjejí větší snahu, kladou větší důraz na počátky slov apod. To by se mělo projevit rozdíly v obsazení jednotlivých úrovní intenzity (tj. v amplitudách vzorků řečového signálu). Signály nejdříve zbavíme střední hodnoty a normujeme. Hodnoty vzorků se tak budou pohybovat od 1 do +1. Poté definujeme 200 intervalů, v nichž se mohou pohybovat, tj. od 1 do +1 s krokem Pro každý interval spočteme jeho obsazení, tj. kolik vzorků do něj spadá. Výsledky vydělíme počtem vzorků (délkou signálu), obdržíme relativní četnosti vynesené do histogramů na obr. 3. Na levém obrázku nalezneme průměrné hodnoty pro všechny signály. Je zřejmé, že pro kontrolní promluvy jsou úrovně obsazeny rovnoměrněji. Na pravém obrázku jsou histogramy vykreslené přes sebe (je vyobrazen jen detail úpatí ). Zde můžeme pozorovat, že v přihrádkách kolem hodnoty 0.05 jsou všechny četnosti pro zdravé jedince větší než četnosti jedinců postižených poruchou plynulosti řeči. Četnost v tomto binu by se tedy dala použít jako klasifikátor zdravých vs. koktavých jedinců Analýza energetické obálky Nyní se budeme zajímat o energetickou obálku promluv. Signál normujeme, zbavíme stejnosměrné složky a každý vzorek umocníme na druhou. Výsledné vzorky přivedeme na vstup integrátoru, čímž obdržíme energetickou obálku promluvy. Dále stanovíme práh p, na jehož základě určíme náběžné hrany obálky. Ukázku pro p = 0.4 nalezneme na obr. 4 vlevo. Pro danou hodnotu prahu představuje průměrný počet náběžných hran za jednu sekundu parametr, jež budeme zkoumat. Přesněji řečeno jeho rozdílnost mezi mluvčími trpícími koktavostí a mluvčími kontrolními. Je zřejmé, že tento parametr bude značně závislý na volbě prahu p. Průměrný počet náběžných hran pro hodnoty p od 0.05 do 0.95 je vyobrazen na obr. 4 vpravo. Silná plná čára reprezentuje průměr pro koktavé, přerušovaná čára pro kontrolní jedince. Tenkými plnými čarami je zobrazen interval vymezený směrodatnou odchylkou. Za pozornost stojí výsledky pro p = 0.1, kde je průnik oblastí pro obě skupiny prázdný. Průměrný počet náběžných hran za jednu sekundu s prahem p = 0.1 mů-
5 Obrázek 4: Vlevo: Signál, jeho energetická obálka a její náběžné hrany pro práh 0.4. Vpravo: Průměrný počet náběžných hran energetické obálky za sekundu pro různé hodnoty prahu p (vyobrazeny výsledky pro koktavé a kontrolní jedince spolu se směrodatnými odchylkami). žeme tedy považovat za parametr schopný rozlišovat patologii promluvy (obecná platnost tohoto závěru samozřejmě musí být ještě ověřena na větší části databáze). Za zmínku stojí fakt, že velmi podobné závěry lze učinit, pokud energetickou obálku nahradíme její derivací Souhrn parametrů V předchozích odstavcích jsme definovali několik jednoduchých parametrů. Nyní pro každý signál dáme tyto parametry dohromady a signál budeme reprezentovat jediným číslem. Nejdříve jednoznačně stanovme uvažované charakteristiky: poměr ticho řeč; obsazení úrovní intenzity, konkrétně hodnoty pro biny ±0.05; průměrný počet náběžných hran energetické obálky za jednu sekundu s prahem p = 0.1; průměrný počet náběžných hran derivace energetické obálky za jednu sekundu s prahem p = 0.1. Tento výčet představuje pět čísel pro každý signál. Tato čísla transformujme tak, aby jejich vysoká hodnota byla ukazatelem patologie. Tak je tomu např. u poměru ticho řeč, u obsazení úrovní intenzity je tomu naopak. Dále provedeme normalizaci do rozpětí od nuly do jedné. Poté velmi snadno vypočteme jakousi průměrnou známku, danou průměrem transformovaných a normovaných hodnot. Z obr. 5 je zjevné, že známka je pro všechny kontrolní jedince (signály 1 9) menší než pro jedince koktavé (signály 10 18). 3. Závěr Se záznamy 9 zdravých a 9 koktavých jedinců byly provedeny tři jednoduché pokusy. V prvním byl použit klasifikátor SVM pro detekci řeč ticho. Bylo zjištěno, že poměr ticho/řeč je u koktavých vyšší. Tento závěr je naprostou samožřejmostí, řeč koktavých zjevně obsahuje více pauz.
6 Obrázek 5: Průměrná známka, signály 1 9 jsou kontrolní, signály jsou pro koktavé jedince. Další experiment zkoumal obsazení úrovní intenzity. Pro hodnoty intenzity kolem 0, 05 jsou relativní četnosti všech zdravých větší než četnosti všech jedinců postižených poruchou plynulosti řeči. Zde je však nutné podotknout, že pracovat s intenzitou zvukového signálu je věc ošidná, signály musejí být zkontrolovány, zda se v průběhu nahrávání intenzita nemění vlivem pohybu mluvčího (nahrávky byly pořízeny s pevným mikrofonem), změnami nastavení zesilovače apod. Poslední pokus zkoumal průměrný počet náběžných hran energetické obálky za jednu sekundu. Bylo ukázáno, že pro správně nastavený práh je tento parametr schopen poukázat na patologii v signálu. Závěrem uveďme, že pokud z výše zmíněných charakteristik vygenerujeme jednu souhrnnou, tvoří její hodnoty pro kontrolní a pro koktavé jedince disjunktní množiny. Poděkování Děkuji MUDr. M. Hrbkové a Dr.Ing. J. Vokřálovi z Foniatrické kliniky 1.LF UK a VFN za poskytnutí signálů. Tento výzkum byl podporován z grantů GAČR 102/03/H085 Modelování biologických a řečových signálů, IGA MZ ČR NR /2005, Počítačová analýza řečového projevu a celonočních EEG záznamů u dětí resp. výzkumného záměru MŠMT MSM Transdisciplinární výzkum v biomedicínckém inženýrství 2. Reference [1] M. Lašťovka, J. Vokřál, L. Černý, K. Radilová, M. Hrdličková, Hodnocení tíže poruchy plynulosti řeči pomocí neuronových sítí, Závěrečná zpráva grantu 237/1998/C/1.LF [2] J.Psutka, Komunikace s počítačem mluvenou řečí, Academia, Praha, 1995 [3] Bishnu S. Atal, L.R. Rabinier, A Pattern Recognition Approach to Voiced Unvoiced- Silence Classification with Application to Speech Recognition, IEEE Transactions on Acoustics, 1976.
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
VíceDTW. 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
VíceAKUSTICKÁ ANALÝZA INTENZITY A RYCHLOSTI ŘEČI U PARKINSONOVY NEMOCI
AKUSTICKÁ AALÝZA ITEZITY A RYCHLOSTI ŘEČI U PARKISOOVY EMOCI Jan Rusz 1, Roman Čmejla 1, Hana Bachurová 2, Jan Janda 1 1Fakulta elektrotechnická, ČVUT, Praha 2eurologická klinika 1. LF UK a VF, Praha Abstrakt
VíceEOG. ERG Polysomnografie. spánkové cykly poruchy spánku. Úvod ke cvičení
EOG Úvod ke cvičení ERG Polysomnografie spánkové cykly poruchy spánku Laboratorní úloha č. 11 Elektrookulogram Cíle úlohy: podstata a snímání EOG základní typy očních pohybů volní a mimovolní fixace při
Víceø. Laboratorní úloha č.11: Elektrookulogram
Laboratorní úloha č.11: Elektrookulogram Úvod: Elektrookulogram (EOG) zaznamenává rozdíl potenciálů mezi elektrodami umístěnými na kůži v blízkosti očí. Signál je generovaný pohybem očního bulbu a mění
VícePOPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica
POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica Program Statistica I Statistica je velmi podobná Excelu. Na základní úrovni je to klikací program určený ke statistickému zpracování dat.
VíceLaboratorní úloha č. 9: Elektrookulogram ø
Laboratorní úloha č. 9: Elektrookulogram Cíle úlohy: podstata a snímání EOG základní typy očních pohybů o volní a mimovolní fixace při sledování pohybujícího se objektu o skokové změny zaměření pohledu
VícePopisná statistika. Komentované řešení pomocí MS Excel
Popisná statistika Komentované řešení pomocí MS Excel Vstupní data Máme k dispozici data o počtech bodů z 1. a 2. zápočtového testu z Matematiky I v zimním semestru 2015/2016 a to za všech 762 studentů,
VíceJana Vránová, 3. lékařská fakulta UK
Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace
VíceKlasifikace 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
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceSTANOVENÍ CHARAKTERU SEGMENTU ŘEČI S VYUŽITÍM REÁLNÉHO KEPSTRA
STANOVENÍ CHARAKTERU SEGMENTU ŘEČI S VYUŽITÍM REÁLNÉHO KEPSTRA Oldřich Horák Univerzita Pardubice, Fakulta ekonomicko-správní, Ústav systémového inženýrství a informatiky Abstract: The extraction of the
VíceRozpoznávání 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
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VíceMatematické modelování dopravního proudu
Matematické modelování dopravního proudu Ondřej Lanč, Alena Girglová, Kateřina Papežová, Lucie Obšilová Gymnázium Otokara Březiny a SOŠ Telč lancondrej@centrum.cz Abstrakt: Cílem projektu bylo seznámení
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceADA 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
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VícePravděpodobnost 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
VíceSupport Vector Machines (jemný úvod)
Support Vector Machines (jemný úvod) Osnova Support Vector Classifier (SVC) Support Vector Machine (SVM) jádrový trik (kernel trick) klasifikace s měkkou hranicí (soft-margin classification) hledání optimálních
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceKapacita jako náhodná veličina a její měření. Ing. Igor Mikolášek, Ing. Martin Bambušek Centrum dopravního výzkumu, v. v. i.
Kapacita jako náhodná veličina a její měření Ing. Igor Mikolášek, Ing. Martin Bambušek Centrum dopravního výzkumu, v. v. i. Obsah Kapacita pozemních komunikací Funkce přežití Kaplan-Meier a parametrické
VíceJosef Rajnoha. České vysoké učení technické v Praze, Fakulta elektrotechnická rajnoj1@fel.cvut.cz
Modelování neřečových událostí v robustním rozpoznávání řeči s malým slovníkem Josef Rajnoha České vysoké učení technické v Praze, Fakulta elektrotechnická rajnoj1@fel.cvut.cz Abstrakt: V tomto článku
VíceVyužití algoritmu DTW pro vyhodnocování vad řeči dětí postižených Landau-Kleffnerovým syndromem (LKS)
Využití algoritmu DTW pro vyhodnocování vad řeči dětí postižených Landau-Kleffnerovým syndromem (LKS) Petr Zlatník České vysoké učení technické v Praze, Fakulta elektrotechnická zlatnip@fel.cvut.cz Abstrakt:
VíceIng. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
VíceJEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
VíceFakulta informačních technologií VUT Brno. Předmět: Srovnání klasifikátorů Autor : Jakub Mahdal Login: xmahda03 Datum:
Fakulta informačních technologií VUT Brno Předmět: Projekt: SRE Srovnání klasifikátorů Autor : Jakub Mahdal Login: xmahda03 Datum: 9.12.2006 Zadání Vyberte si jakékoliv 2 klasifikátory, např. GMM vs. neuronová
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VíceStatistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík
Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012 Tutoriál č. 4: Exploratorní analýza Jan Kracík jan.kracik@vsb.cz Statistika věda o získávání znalostí z empirických dat empirická
VíceVětná polarita v češtině. Kateřina Veselovská Žďárek Hořovice,
Větná polarita v češtině Kateřina Veselovská Žďárek Hořovice, 27. 11. 2009 1 Polarita - úvod do problematiky Větná polarita: a) Cíl a motivace b) Charakteristika c) Možnosti výzkumu Větná polarita a vyhledávání
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
VíceČeské akustické společnosti. Obsah
České akustické společnosti www.czakustika.cz ročník 15, číslo 2 červen 2009 Obsah Formantová analýza a nové metody pro hodnocení míry artikulace u Parkinsonovy nemoci Formant analysis and new methods
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství
1 PŘÍLOHA KE KAPITOLE 11 2 Seznam příloh ke kapitole 11 Podkapitola 11.2. Přilité tyče: Graf 1 Graf 2 Graf 3 Graf 4 Graf 5 Graf 6 Graf 7 Graf 8 Graf 9 Graf 1 Graf 11 Rychlost šíření ultrazvuku vs. pořadí
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
Více11 Analýza hlavních komponet
11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu
VíceTECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Studentská 2 461 17 Liberec 1 SEMESTRÁLNÍ PRÁCE STATISTICKÝ ROZBOR DAT Z DOTAZNÍKOVÝCH ŠETŘENÍ Gabriela Dlasková, Veronika Bukovinská Sára Kroupová, Dagmar
VíceTSO 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
Více23. Matematická statistika
Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/03.0009 23. Matematická statistika Statistika je věda, která se snaží zkoumat reálná data a s pomocí teorii pravděpodobnosti
VíceAplikovaná statistika v R
Aplikovaná statistika v R Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 15.5.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 15.5.2014 1 / 15 Co bude náplní našich
VíceKLIMA ŠKOLY. Zpráva z evaluačního nástroje Klima školy. Škola Testovací škola - vyzkoušení EN, Praha. Termín
KLIMA ŠKOLY Zpráva z evaluačního nástroje Klima školy Škola Testovací škola - vyzkoušení EN, Praha Termín 29.9.2011-27.10.2011-1 - Vážená paní ředitelko, vážený pane řediteli, milí kolegové! Dovolte, abychom
VíceStatistika pro geografy
Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických
VíceSystém rizikové analýzy při sta4ckém návrhu podzemního díla. Jan Pruška
Systém rizikové analýzy při sta4ckém návrhu podzemního díla Jan Pruška Definice spolehlivos. Spolehlivost = schopnost systému (konstrukce) zachovávat požadované vlastnos4 po celou dobu životnos4 = pravděpodobnost,
VíceDiagnostika infarktu myokardu pomocí pravidlových systémů
pomocí pravidlových systémů Bakalářská práce 2009 pomocí pravidlových systémů Přehled prezentace Motivace a cíle Infarkt myokardu, EKG Pravidlové systémy Výsledky Motivace Infarkt myokardu Detekce infarktu
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceStatSoft Jak poznat vliv faktorů vizuálně
StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení
VíceSTATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7
Inovace předmětu STATISTIKA Obsah 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 1 1. Inovace předmětu STATISTIKA Předmět Statistika se na bakalářském oboru
Více676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368
Příklad 1 Je třeba prověřit, zda lze na 5% hladině významnosti pokládat za prokázanou hypotézu, že střední doba výroby výlisku je 30 sekund. Přitom 10 náhodně vybraných výlisků bylo vyráběno celkem 540
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceNáhodné signály. Honza Černocký, ÚPGM
Náhodné signály Honza Černocký, ÚPGM Signály ve škole a v reálném světě Deterministické Rovnice Obrázek Algoritmus Kus kódu } Můžeme vypočítat Málo informace! Náhodné Nevíme přesně Pokaždé jiné Především
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceÚloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:
Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je
Vícepromluvách 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,
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
VíceROZPOZNÁVÁNÍ 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
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceČíslo projektu: CZ.1.07/1.5.00/34.0036 Název projektu: Inovace a individualizace výuky Autor: Mgr. Martin Fryauf Název materiálu: Kriminalistická
Číslo projektu: CZ.1.07/1.5.00/34.0036 Název projektu: Inovace a individualizace výuky Autor: Mgr. Martin Fryauf Název materiálu: Kriminalistická fonoskopie Označení materiálu:vy_32_inovace_fry8 Datum
Víceveličin, deskriptivní statistika Ing. Michael Rost, Ph.D.
Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího
VícePříklad 1. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 11
Příklad 1 Vyhláška Ministerstva zdravotnictví předpokládala, že doba dojezdu k pacientovi od nahlášení požadavku nepřekročí 17 minut. Hodnoty deseti náhodně vybraných dob příjezdu sanitky k nemocnému byly:
VíceZvýrazňování řeči pomocí vícekanálového zpracování
Zvýrazňování řeči pomocí vícekanálového zpracování Václav Bolom, Pavel Sovka Katedra teorie obvodů Fakulta elektrotechnická České vysoké učení technické v Praze Technická 2, 66 27 Praha 6 Abstrakt Problém
VíceKlasifikace 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
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
VíceDiskrétní náhodná veličina
Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné
VíceIDENTIFIKACE BIMODALITY V DATECH
IDETIFIKACE BIMODALITY V DATECH Jiří Militky Technická universita v Liberci e- mail: jiri.miliky@vslib.cz Milan Meloun Universita Pardubice, Pardubice Motto: Je normální předpokládat normální data? Zvláštnosti
VíceSCLPX 07 2R Ověření vztahu pro periodu kyvadla
Klasické provedení a didaktické aspekty pokusu U kyvadla, jakožto dalšího typu mechanického oscilátoru, platí obdobně vše, co bylo řečeno v předchozích experimentech SCLPX-7 a SCLPX-8. V současném pojetí
VíceOHYB (Napjatost) M A M + qc a + b + c ) M A = 2M qc a + b + c )
3.3 Řešené příklady Příklad 1: Pro nosník na obrázku vyšetřete a zakreslete reakce, T (x) a M(x). Dále určete M max a proveďte dimenzování pro zadaný průřez. Dáno: a = 0.5 m, b = 0.3 m, c = 0.4 m, d =
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceStrojové učení Marta Vomlelová
Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceFYZIKÁLNÍ PRAKTIKUM FJFI ČVUT V PRAZE
FYZIKÁLNÍ PRAKTIKUM FJFI ČVUT V PRAZE Úloha 3. Vzduchová dráha - ZZE, srážky, impuls síly Autor David Horák Datum měření 21. 11. 2011 Kruh 1 Skupina 7 Klasifikace 1. PRACOVNÍ ÚKOLY: 1) Elastické srážky:
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
VíceTestování statistických hypotéz
Testování statistických hypotéz Na základě náhodného výběru, který je reprezentativním vzorkem základního souboru (který přesně neznáme, k němuž se ale daná statistická hypotéza váže), potřebujeme ověřit,
VíceStanovení Ct hodnoty. Stanovení míry variability na úrovni izolace RNA, reverzní transkripce a real-time PCR
Stanovení Ct hodnoty Ct hodnotu (číselný výstup real-time PCR) stanovíme z amplifikačního grafu (grafický výstup real-time PCR) proložením thresholdu skrze lineární část amplifikační křivky. V bodě protnutí
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Příklady použití tenkých vrstev Jaromír Křepelka
Příklady použití tenkých vrstev Jaromír Křepelka Příklad 01 Spočtěte odrazivost prostého rozhraní dvou izotropních homogenních materiálů s indexy lomu n 0 = 1 a n 1 = 1,52 v závislosti na úhlu dopadu pro
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Semestrální práce z předmětu Statistický rozbor dat z dotazníkového šetření Jméno: Lucie Krechlerová, Karel Kozma, René Dubský, David Drobík Ročník: 2015/2016
VíceStatistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ
Statistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ Ing. Dana Trávníčková, PaedDr. Jana Isteníková Funkční gramotnost je používání čtení a psaní v životních situacích. Nejde jen o elementární
VíceDvouvýběrové a párové testy. Komentované řešení pomocí MS Excel
Dvouvýběrové a párové testy Komentované řešení pomocí MS Excel Úloha A) koncentrace glukózy v krvi V této části posoudíme pomocí párového testu, zda nový lék prokazatelně snižuje koncentraci glukózy v
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VíceZáklady popisné statistiky. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
Základy popisné statistiky Anotace Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi, výhodami, nevýhodami a vlastní sadou využitelných statistických metod -od binárních
VíceTeorie náhodných matic aneb tak trochu jiná statistika
Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava
Více7 ZÁVĚRY. 3. Podobně jako žákovská družstva kmenového klubu experimentálního družstva byla sledována i žákovská družstva dalších vybraných klubů.
7 ZÁVĚRY Posouzení úrovně sportovní přípravy dětí v ledním hokeji je jedním z důležitých úkolů současné teorie sportovního tréninku. Množství prvků, jejichž deskripce je často nejasná, vzájemné vlivy a
VíceSIMULACE 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
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceČíselné charakteristiky a jejich výpočet
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky
VíceInterpretace a korelace dynamické a statické penetrační zkoušky pro efektivnější navrhování dopravních staveb
Interpretace a korelace dynamické a statické penetrační zkoušky pro efektivnější navrhování dopravních staveb Výsledky výzkumného projektu TA04031092 Ve rámci řešení projektu TA04031092 bylo dosaženo následujících
VíceLombardův efekt v řečové databázi CLSD
Lombardův efekt v řečové databázi CLSD Hynek Bořil České vysoké učení v Praze, Fakulta elektrotechnická borilh@gmail.com Abstrakt: V tomto příspěvku jsou prezentovány výsledky analýz parametrů řečové databáze
VíceJ. Tatarinov, P. Pollák. Fakulta elektrotechnická. Abstrakt. otestován a zhodnocen na signálech z databáze CAR2CS. Detektor využívající
Řečové detektory využívající ergodické Markovovské modely J. Tatarinov, P. Pollák České vysoké učení technické v Praze Fakulta elektrotechnická Abstrakt Tento článek prezentuje využití ergodických Markovovských
Více10. Předpovídání - aplikace regresní úlohy
10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu
VícePokročilé 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
VíceKategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1
Kategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA 2018 4. dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1 Typy proměnných nominální (nominal) o dvou hodnotách lze říci pouze
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
VíceMnohorozměrná statistická data
Mnohorozměrná statistická data Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Mnohorozměrná
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
Více