Computer Engineering Commons^™

Implication And Applications Of Machine Learning On Biomedical Images, Jason Hagerty

Doctoral Dissertations

Medical imaging ranges in modality including computer tomography imaging, x-ray imaging, digital microscopy, and macro-focus dermoscopy images. The latter two modalities are the focus of the presented work.

To perform a diagnostic evaluation on the captured dermoscopy image, it begins with what is usually a labor-intensive operation that requires an expert to perform the initial segmentation for localizing a region of interest (ROI). Once that ROI is obtained, a physician with years of training and experience will observe biological markers that can be used to visually differentiate whether a lesion is benign or malignant. A similar process is used for …

Fast-Sparse-Spanner: A Practical Algorithm For Constructing Low-Stretch Sparse Geometric Graphs, Fnu Shariful

UNF Graduate Theses and Dissertations

When constructing geometric graphs (vertices are points and edges are line segments connecting point pairs) on pointsets, stretch-factor (worst-case detour between any point pair) is often considered a quality metric. A low stretch-factor (a quantity that is usually > 1) guarantees short paths between all vertex pairs. A geometric graph having a stretch-factor of t is known as a t-spanner. Creating low stretch-factor geometric graphs for large pointsets with a low number of edges is an open problem in computational geometry.

In this work, we have designed and engineered a new simple and practical (fast and memory-efficient) algorithm named Fast-Sparse-Spanner algorithm …

Précis Of The Edge Of Sentience: Risk And Precaution In Humans, Other Animals, And Ai, Jonathan Birch

Animal Sentience

We often face grave practical decisions that seem to hinge on whether a system is sentient. This family of cases includes invertebrate animals, people who are unresponsive after brain injury, fetuses, neural organoids, and now AI technologies. We must decide what to do despite ongoing disagreement about the nature of sentience. In our state of uncertainty, we should pragmatically transform the question from “Is it sentient?” to “Is it a sentience candidate, an investigation priority, or neither?”. When a system is a sentience candidate, it is negligent to fail to consider precautions. We should instead evaluate precautions for their proportionality …

Rodcast Interaction: A Novel Technique For Dense Virtual Reality Environments, Nevzat U. Demirseren

UNF Graduate Theses and Dissertations

Virtual Reality (VR) technologies continue to grow in popularity and application versatility, yet effective interaction within complex dense environments remains as a critical challenge. In particular, users with low level of VR experience often face decreased accuracy and dissatisfaction selecting occluded objects. A variety of interaction techniques to select and manipulate objects exist, but there is a research gap in understanding what kinds of techniques support users in dense environments. This study evaluates the user performance and preference in such environments. Three interaction techniques are examined in this study: Go-Go Hand, Flower Cone, and a proposed technique called RodCast Interaction. …

Solar Energy Prediction Using Advanced Hybrid Machine Learning Models, Jelawi A. Alqhtani

UNF Graduate Theses and Dissertations

Accurate short-term forecasting of solar power generation is critical for the reliable and cost-effective operation of renewable-based microgrids, where sudden weather-induced variability can compromise grid stability, battery scheduling, and energy trading decisions. Traditional physical and statistical models struggle to capture the complex non-linear relationships and localized weather effects, while individual deep learning architectures often exhibit systematic biases such as chronic under-prediction of peak generation. This thesis proposes a novel Cross-Feedback Ensemble framework that combines the complementary strengths of Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and one-dimensional Convolutional Neural Network (1D-CNN) models through an iterative cross-feedback mechanism and a …

Computational Pangenomics And Machine Learning For Genotype-Phenotype Analysis, Tejaswi Vemuri

UNF Graduate Theses and Dissertations

Phenotypes are the observable characteristics of an individual organism. Predicting quantitative phenotypes from genomic variation remains challenging when causal signals span both local motifs and distal regulatory contexts. Building on Frequented Regions (FRs)—subsequences conserved across genomes and extracted from a pangenome graph generated from a large collection of closely related species—we compare several modeling strategies across 35 Saccharomyces cerevisiae growth phenotypes: Random Forest (RF) on FR counts (called RFCounts), RF on FR sequences, 1D convolutional neural networks (CNN) on FR sequences, Long Short-Term Memory (LSTM) networks on FR sequences, a Genomewide Association Study (GWAS) baseline, and a sequence-based transformer model, …

Generalizing Medical Image Segmentation Task With Efficient Deep Learning Models, Abel A. Reyes-Angulo

Dissertations, Master's Theses and Master's Reports

Medical Image Segmentation is a critical task in the field of medical imaging, playing a crucial role in diagnostics, treatment planning, and disease monitoring. The emergence of Deep Learning (DL) has ushered in a new era in Artificial Intelligence (AI), propelling remarkable advancements in key domains like language translation, object recognition, and recommendation systems. This evolution has been accompanied by continuous enhancements in computational efficiency and improvements in predictive accuracy. The introduction of sophisticated algorithms, such as convolutional neural networks (CNNs) and transformers, exemplifies these advancements. DL algorithms have demonstrated exceptional efficacy in medical image segmentation tasks, showcasing the potential …

Scalable Mental Health Analysis Using Big Data: A Demographic And Geographic Study Of Depressive Symptoms, Saikrishna Katamneni, Anitha Bommana, Naman Pandya, Gokul Kareti, Sangwhan Cha

Harrisburg University Other Works

This project explores the application of Big Data technologies for large-scale mental health analysis, focusing on the prevalence of depressive disorder symptoms across diverse demographic and geographic subgroups. Utilizing Apache Spark on Google Cloud Dataproc, the system efficiently processed millions of survey records stored in Hadoop Distributed File System (HDFS). Through comprehensive data preprocessing, aggregation, and visualization, the analysis revealed critical trends and disparities in mental health outcomes related to age, race, education level, gender, and state. Seasonal variations and subgroup-specific confidence intervals were also examined to identify high-risk populations and areas of measurement uncertainty. The results offer actionable insights …

An Iterative Shifting Disaggregation Algorithm For Multi-Source, Irregularly Sampled, And Overlapped Time Series, Colin O. Quinn, Ronald H. Brown, George F. Corliss, Richard J. Povinelli

Electrical and Computer Engineering Faculty Research and Publications

Accurate time series forecasting often requires higher temporal resolution than that provided by available data, such as when daily forecasts are needed from monthly data. Existing temporal disaggregation techniques, which typically handle only single, uniformly sampled time series, have limited applicability in real-world, multi-source scenarios. This paper introduces the Iterative Shifting Disaggregation (ISD) algorithm, designed to process and disaggregate time series derived from sensor-sourced low-frequency measurements, transforming multiple, nonuniformly sampled sensor data streams into a single, coherent high-frequency signal. ISD operates in an iterative, two-phase process: a prediction phase that uses multiple linear regression to generate high-frequency series from low-frequency …

Automated Infinite Combos Detection System For Collectible Card Game, Amornpong Trakarnkulphun

Chulalongkorn University Theses and Dissertations (Chula ETD)

In Collectible Card Games, resources management is one of the most effective strategy. However, there are some combinations of cards which produce unlimited resources called infinite combos. Too-cheap infinite combos that can be played early in the game break game environment, because the player who executes the combo immediately wins. To solve the problem, game designers usually restrict a part of the combos from being played. Due to the large number of cards in the card pool, it is difficult to search for these combos and solve this problem before a release date of a card set. This research aims …

Quality Of Life Prediction For Driving Route Planning System Using Image Recognition And Deep Learning, Intouch Prakaisak

Chulalongkorn University Theses and Dissertations (Chula ETD)

Assessing travel-related Quality of Life (QoL) is a significant challenge due to its reliance on subjective human perception, which is difficult to measure. Traditional studies are often constrained by the limited scope of costly, manual data collection. The significant contribution of this research is the introduction of a new framework that can analyze tourist perception on a large and systematic scale. The novelty of this work lies in the utilization of Google Street View (GSV) as a large-scale visual data source, coupled with the use of a sequence-based model to analyze travel routes, which allows for the simulation of the …

Out-Of-Domain Tuberculosis Detection From Chest X-Ray Images Using Meta Learning With Soft Labels, Kanokphat Jinanarong

Chulalongkorn University Theses and Dissertations (Chula ETD)

Automated tuberculosis screening from chest x-ray images could greatly benefit regions with limited medical resources. However, currently available methods could not handle this problem well due to the difference in chest x-ray images in each region caused by the difference in machine and demographics, the possible noise in the available labels, and other reasons. We therefore propose a new machine learning algorithm that could detect tuberculosis with great accuracy on any other data sources by learning from completely different data sources. We used a model-agnostic meta-learning together with a soft label approach, utilizing the meta-gradient to dynamically adjust the soft …

Endoplanar: Deformable Planar-Based Gaussian Splatting For Surgical Scene Reconstruction, Thatphum Paonim

Chulalongkorn University Theses and Dissertations (Chula ETD)

Precise modeling of deformable anatomical structures from stereoscopic endoscopic footage plays a critical role in advancing surgical guidance and robotic automation within image-assisted medical procedures. Recent advances in Gaussian splatting have demonstrated real-time visualization capabilities with notable quality on endoscopic data; however, traditional 3D Gaussian representations introduce volumetric artifacts that compromise geometric fidelity and depth accuracy. We address these challenges through EndoPlanar, a deformable planar Gaussian framework that projects volumetric primitives onto planar surfaces. This planar formulation facilitates bias-free depth calculation and normal vector derivation—capabilities that remain elusive with standard ellipsoidal representations. We further incorporate a regularization mechanism to ensure …

Advancing Voice Spoofing Detection In Thai : A Comprehensive Dataset And Performance Analysis On Speaking Styles And Channel Effects, Ticho Urai

Chulalongkorn University Theses and Dissertations (Chula ETD)

Voice authentication is increasingly used in applications such as banking and call center verification, but it faces serious risks from spoofed voices. Recent advances in text-to-speech (TTS) and voice cloning make it possible to generate highly natural fake speech, creating an urgent need for robust anti-spoofing systems. While most prior work focuses on English, little research addresses the Thai language. To fill this gap, we present the Chula Spoofed Speech (CSS) dataset, a large-scale Thai corpus containing 1.3M utterances of both bona fide and synthetic speech. The synthetic samples are generated using five state-of-the-art TTS systems from the same utterances …

การศึกษาแบบแผนการเต้นของหัวใจระหว่างการวิ่ง โดยใช้การเรียนรู้ของเครื่องแบบไม่มีผู้สอนเพื่อการตรวจจับความผิดปกติ, ชวิน หังสสูต

Chulalongkorn University Theses and Dissertations (Chula ETD)

การศึกษานี้มีวัตถุประสงค์เพื่อวิเคราะห์รูปแบบการเต้นของหัวใจระหว่างการวิ่ง โดยใช้เทคนิคการตรวจจับความผิดปกติแบบไม่มีผู้สอน (Unsupervised Anomaly Detection - UAD) เพื่อการตรวจจับความผิดปกติ ปัญหาหลักในงานวิจัยนี้คือข้อจำกัดทางจริยธรรมในการรวบรวมข้อมูลภาวะวิกฤตเพื่อใช้สอนแบบจำลอง และความแปรปรวนของข้อมูลสรีรวิทยาที่สูงมากระหว่างบุคคลเพื่อแก้ไขปัญหานี้ งานวิจัยนี้ได้พัฒนาระบบเว็บแอปพลิเคชันสำหรับการรวบรวมและกำกับข้อมูล โดยผู้เชี่ยวชาญ และได้สร้างชุดข้อมูลอ้างอิงจากกลุ่มตัวอย่างนักวิ่ง 5 ท่าน จากนั้น ได้ดำเนินการศึกษาเชิงเปรียบเทียบแบบจำลอง UAD จำนวน 7 แบบจำลอง โดยใช้กลยุทธ์การเรียนรู้แบบจำเพาะบุคคล ภายใต้เงื่อนไข การกำหนดค่าไฮเปอร์พารามิเตอร์แบบคงที่ เพื่อจำลองสถานการณ์การใช้งานจริงแบบเริ่มต้น โดยปราศจากการปรับแต่งค่าล่วงหน้า และประเมินผลด้วยค่า F0.5-Score เพื่อเน้นความแม่นยำและลดการแจ้งเตือนที่ผิดพลาดผลการทดลองพบว่า เมื่อไม่มีการปรับจูนพารามิเตอร์ ประสิทธิภาพโดยรวมของทุกแบบจำลองลดลงอย่างมีนัยสำคัญ ซึ่งสะท้อนถึงความท้าทายในการสร้างแบบจำลองสากล อย่างไรก็ตาม แบบจำลอง Matrix Profile (MP) ในกลุ่มคลาสสิก พิสูจน์ให้เห็นถึงความทนทานสูงที่สุด โดยมีประสิทธิภาพเฉลี่ยสูงสุด (F0.5-Score 2.71%) และสามารถตรวจจับความผิดปกติได้ดีในรายบุคคล ในขณะที่แบบจำลองพื้นฐานล้มเหลวโดยสิ้นเชิง (0.00%) สำหรับกลุ่มการเรียนรู้เชิงลึก (USAD, LSTM-AE) พบว่ามีข้อจำกัดในการใช้งานแบบเริ่มต้น (Cold-start) โดยไม่สามารถตรวจจับความผิดปกติได้แม้จะมีปริมาณข้อมูลมาก หากปราศจากการปรับแต่งค่าพารามิเตอร์ ผลลัพธ์นี้ยืนยันว่าระบบเฝ้าระวังสุขภาพในอนาคตจำเป็นต้องมีกลไกการเรียนรู้แบบปรับตัว ร่วมด้วยเพื่อให้สามารถนำไปใช้งานจริงได้อย่างมีประสิทธิภาพ

การคาดการณ์ค่าดัชนีความแตกต่างของพืชและความชื้น โดยใช้เทคนิคการเรียนรู้ของเครื่องอย่างชาญฉลาด เพื่อการติดตามด้านการเกษตรและสิ่งแวดล้อม, ณุทยา เข็มเจริญ

Chulalongkorn University Theses and Dissertations (Chula ETD)

ปัจจุบัน ภัยแล้งและการเปลี่ยนแปลงสภาพภูมิอากาศส่งผลกระทบต่อผลผลิตทางการเกษตร โดยเฉพาะพืชเศรษฐกิจของไทยอย่างทุเรียน ซึ่งต้องอาศัยการติดตามสุขภาพพืชและการจัดการน้ำอย่างใกล้ชิด ข้อมูลจากภาพถ่ายดาวเทียม ดัชนีความแตกต่างของพืชและความชื้น จึงเป็นเครื่องมือสำคัญในการวิเคราะห์สภาพพื้นที่เพาะปลูก โครงงานนี้พัฒนาแบบจำลองการเรียนรู้ของเครื่องเพื่อพยากรณ์ทั้งสองดัชนีรายสัปดาห์ โดยใช้การเฉลี่ยและเติมค่าข้อมูลที่ขาดหายด้วยการถดถอยเชิงเส้น ก่อนนำไปฝึกแบบจำลองผสมระหว่างโครงข่ายคอนโวลูชัน และหน่วยความจำระยะสั้นแบบยาว ระบบถูกออกแบบให้ทำงานอัตโนมัติภายใต้แนวคิดการปฏิบัติการด้านการเรียนรู้ของเครื่อง แสดงผลผ่านเว็บแอปพลิเคชัน ติดตั้งและทดสอบบนเครื่องเซิร์ฟเวอร์

Design And Evaluation Of A Thai Speech Emotion Recognition Corpus With Ambiguous Annotations, Chompakorn Chaksangchaichot

Chulalongkorn University Theses and Dissertations (Chula ETD)

THAI-SER is the first large-scale Thai speech emotion recognition corpus, comprising 41.6 hours (27,854 utterances) from 100 recordings across diverse environments (Zoom and studio). The data includes both scripted and improvised speech by 200 professional actors (112 females, 88 males, aged 18–55), covering five emotions: neutral, angry, happy, sad, and frustrated. Utterances were labeled via crowdsourcing, with rigorous quality control ensuring a majority agreement score above 0.71. Annotation reliability, measured by Krippendorff’s alpha, reached 0.692 (above the 0.667 threshold), and human emotion recognition accuracy reached 0.772 after filtering. We also report benchmark results from models trained and evaluated on both …

การเพิ่มประสิทธิภาพการจัดตารางการอัดประจุรถยนต์ไฟฟ้าโดยอาศัยข้อมูลโปรไฟล์แบตเตอรี่และเทคนิคการเรียนรู้ของเครื่อง, กนกภรณ์ ปัญจันทร์สิงห์

Chulalongkorn University Theses and Dissertations (Chula ETD)

งานวิจัยนี้มุ่งเพิ่มประสิทธิภาพการจัดตารางการอัดประจุรถยนต์ไฟฟ้าโดยอาศัยข้อมูลโปรไฟล์แบตเตอรี่และเทคนิคการเรียนรู้ของเครื่อง เพื่อแก้ปัญหาความไม่สอดคล้องระหว่างแผนการอัดประจุกับพฤติกรรมการอัดประจุจริงของผู้ใช้ โดยเริ่มจากการพัฒนาแบบจำลองการทำนาย (Predictive Model) เพื่อคาดการณ์ความต้องการพลังงาน ระยะเวลาการอัดประจุ และสถานะการประจุเริ่มต้นของแบตเตอรี่ (State of Charge: SOC) จากข้อมูลการอัดประจุในอดีต จากนั้นได้ทำการสร้างโปรไฟล์การอัดประจุของแบตเตอรี่ที่เป็นตัวแทนของรถยนต์แต่ละรุ่น เพื่อสะท้อนลักษณะการอัดประจุจริงทั้งในกรณีของเครื่องอัดประจุแบบกระแสสลับ (AC) และกระแสตรง (DC) แล้วนำข้อมูลดังกล่าวมาใช้ในการเพิ่มประสิทธิภาพการจัดตารางการอัดประจุของสถานีอัดประจุ ผลการจำลองแสดงให้เห็นว่าวิธีการที่เสนอ (Optimization with Battery Profile) ให้ประสิทธิภาพสูงกว่าวิธีการทั่วไปที่ไม่ใช้ข้อมูลโปรไฟล์แบตเตอรี่ โดยสามารถเพิ่มกำไรของสถานีได้สูงสุด 3,145.3 บาท และเพิ่มอัตราการใช้พลังงานของระบบได้ร้อยละ 4.8 ในกรณีที่มีสัดส่วนเครื่องอัดประจุ DC แตกต่างกัน อีกทั้งยังให้ผลลัพธ์ที่ดีอย่างต่อเนื่องภายใต้ข้อจำกัดกำลังพีคของสถานี โดยเพิ่มกำไรได้สูงสุด 3,649.25 บาท และเพิ่มอัตราการใช้ประโยชน์ของระบบได้ร้อยละ 9.6 สะท้อนถึงประสิทธิภาพของแนวทางที่เสนอในการจัดการพลังงานอย่างชาญฉลาดสำหรับสถานีอัดประจุรถยนต์ไฟฟ้าในอนาคต

การสร้างแบบจำลองเชิงรูปนัยของกระแสงานบีพีเอ็มเอ็นสำหรับกระบวนการซิงโครนัสและอะซิงโครนัสที่มีข้อจำกัดช่วงเวลาโดยใช้เครือข่ายไทมด์ออโตมาตา, กิตติศักดิ์ เขตรการณ์

Chulalongkorn University Theses and Dissertations (Chula ETD)

แบบจำลองบีพีเอ็มเอ็นมีบทบาทสำคัญในการออกแบบกระบวนการธุรกิจสมัยใหม่ที่มีการประมวลผลหลายส่วนพร้อมกันและรูปแบบการสื่อสารทั้งแบบซิงโครนัสและอะซิงโครนัส แต่ด้วยความเป็นแผนภาพเชิงกราฟิก บีพีเอ็มเอ็นไม่สามารถทวนสอบเชิงรูปนัยได้โดยตรง และมาตรฐานเดิมยังไม่รองรับการกำหนดข้อจำกัดช่วงเวลาให้กับกิจกรรม งานวิจัยนี้จึงเสนอการขยายบีพีเอ็มเอ็นเป็นแบบจำลองทีบีบีพี (Time-Bounded BPMN: TBBP) เพื่อรองรับการกำหนดข้อจำกัดช่วงเวลาต่ำสุด–สูงสุดของกิจกรรม พร้อมออกแบบแบบรูปสำหรับการสื่อสารแบบซิงโครนัสและอะซิงโครนัส รวมทั้งพัฒนากฎการแปลงทีบีบีพีไปเป็นไทมด์ออโตมาตาเพื่อทวนสอบด้วย UPPAAL และกฎการแปลงข้อคำถามจากตรรกศาสตร์เชิงเวลาแบบเมตริก (MTL) ไปเป็นตรรกศาสตร์เชิงเวลาแบบต้นไม้คำนวณแบบมีเงื่อนไขเวลา (TCTL) นอกจากนี้ได้พัฒนาเครื่องมือ TBBPTA Tool เพื่อแปลงไฟล์บีพีเอ็มเอ็น (XML) เป็นแบบจำลองไทมด์ออโตมาตา (XML) ที่สามารถนำเข้าสู่ UPPAAL เพื่อทวนสอบได้โดยอัตโนมัติ

เครื่องมือสำหรับการตรวจสอบสินทรัพย์สารสนเทศจากแบบรูปความมั่นคง, ธีระยุทธ คชงาม

Chulalongkorn University Theses and Dissertations (Chula ETD)

สินทรัพย์สารสนเทศมีความสำคัญอย่างยิ่งต่อการดำเนินงานและความสำเร็จขององค์กร หากสินทรัพย์เหล่านี้รั่วไหลหรือถูกเข้าถึงโดยบุคคลที่ไม่ได้รับอนุญาต อาจก่อให้เกิดความเสียหายอย่างมากหรือความสูญเสียทางความเชื่อมั่นได้ ด้วยเหตุนี้การจัดหาวิธีการที่เหมาะสมเพื่อทวนสอบการออกแบบระบบเพื่อรักษาความมั่นคงของสินทรัพย์สารสนเทศจึงเป็นสิ่งจำเป็น งานวิจัยนี้มุ่งเน้นการทวนสอบแบบจำลองการออกแบบความมั่นคงของระบบที่ออกแบบโดยนักออกแบบความมั่นคงของระบบ ด้วยการใช้แผนภาพคลาส ที่สร้างขึ้นจากรูปแบบความมั่นคงและงานวิจัยที่เกี่ยวข้อง เป็นโมเดลอ้างอิงการออกแบบโครงสร้างด้านความมั่นคง ขอบเขตของแบบรูปความมั่นคงที่ใช้ในงานวิจัยนี้ครอบคลุมความปลอดภัยและการจัดการความเสี่ยงขององค์กร, การระบุตัวตนและการพิสูจน์ตัวจริง, และการควบคุมการเข้าถึงพร้อมทั้งนำเสนอกลไกการทวนสอบระหว่างแผนภาพคลาสสองชุด ซึ่งประกอบด้วยแผนภาพที่ออกแบบโดยนักออกแบบระบบ และแผนภาพจากแบบจำลองโดยใช้อัลกอริทึมสองรายการ ได้แก่ อัลกอริทึมที่ใช้สำหรับตรวจสอบความครบถ้วนขององค์ประกอบภายในแต่ละคลาส และอัลกอริทึมที่ใช้สำหรับตรวจสอบความครบถ้วนของความสัมพันธ์ระหว่างคลาส นอกจากนี้ ยังได้พัฒนาเครื่องมือซอฟต์แวร์เพื่อสนับสนุนการทวนสอบแผนภาพคลาส ซึ่งผลลัพธ์ที่ได้จากการใช้งานเครื่องมือนี้คือ แสดงองค์ประกอบคลาสตามแบบจำลองที่ได้นำเสนอและสร้างที่ขาดหายไป พร้อมคำแนะนำและคำอธิบายที่เหมาะสมเพื่อช่วยสนับสนุนให้นักออกแบบระบบมีความเข้าใจในแนวคิดและการออกแบบความมั่นคงได้ดียิ่งขึ้น เครื่องมือที่นำเสนอได้ถูกทดสอบกับกรณีศึกษาระบบจัดการข้อมูลผู้ป่วย เพื่อยืนยันประสิทธิผลของเครื่องมือในการสนับสนุนการทวนสอบการออกแบบความมั่นคงของระบบ