KRÁLÍK, M. Klasifikace spánkových fázi za použití polysomnografických dat [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2015.
Student se zabýval automatickou klasifikací spánkových fázi za použitím polysomnografických dat. Prostudoval dostatečné množství odborné literatury a na základě získaných poznatků realizoval klasifikační metodu, která za jistých podmínek umožňuje dosáhnout výsledků s vyšším časovým rozlišením než běžně používané metody. Po formální stránce je práce na dobré úrovni, avšak popis navrženého postupu je místy nedostatečně podrobný. Student prokázal schopnost samostatně a svědomitě řešit dílčí problémy a efektivně využíval konzultace. Všechny požadavky zadání byly splněny. Dílčí výsledky byly prezentovány v rámci studentské soutěže EEICT. Práci hodnotím stupněm A/90 b.
Práce je zaměřena na problematiku automatické detekce jednotlivých spánkových stádií z polysomnografických dat. Autor se měl pokusit o návrh a testování různých příznaků v časové a ve frekvenční oblasti a s využitím statistické analýzy dospět k výběru vhodných příznaků k výše uvedenému účelu. Následně měl navrhnout algoritmus pro automatickou klasifikaci spánkových stádií. Úvodní část práce je zaměřena na úvod do polysomnografie (PSG), zaměřuje se na signály EEG, EOG a EMG obsažené v PSG datech a na popis „ručního“ skórování spánkových stádií. Tato část je zpracována stručně a výstižně. V kap.3 popisuje některé parametry v časové oblasti (střední hodnotu, rozptyl, směrodatnou odchylku), ve frekvenční oblasti (relativní výkon v konvenčních pásmech signálu EEG) a v časově-frekvenční oblasti (spektrogram). V závěru kap.3 odkazuje na 5 publikací zaměřených na algoritmy klasifikace spánkových stádií, bohužel se omezil jen na jejich popis v podobě velmi stručné tabulky. Právě bližší popis těchto metod chybí, protože mohl být pro autora východiskem při výběru relevantních příznaků. Pro statistickou analýzu v kap.4 vybral ze signálů EEG a EOG a EMG tři výše uvedené parametry v časové oblasti, ale bez odkazu na zdroj vypovídající o relevantnosti výběru a bez bližšího zdůvodnění. Výsledky shrnuté v krabicových grafech vhodnost tohoto výběru příznaků nepotvrdily. Tím autor příznaky v časové oblasti vyčerpal. Hjorthovy parametry, které podle dostupné literatury mohou být pro klasifikaci spánkových stádií do jisté míry přínosné, nezkoušel. Další úvahy a ukázky se týkají volby příznaků ve frekvenční, resp. časově-frekvenční oblasti. V kap.5 konečně zmiňuje průběžně sledovaných 12 příznaků z relativních výkonů (ve 4 standardních pásmech pro 3 kanály EEG) z ostatních signálů uvažuje průběžné sledování tzv. maximální výchylky (u 2 kanálů EOG a 1 kanálu EMG, celkem tedy 3 příznaky), aniž by přesně vysvětlil, co míní maximální výchylkou. Zde opět chybí odkazy na zdroje, ze kterých vyvodil výběr příznaků. Pro samotnou klasifikaci autor použil třívrstvou dopřednou neuronovou síť se třemi variantami učení a rozhodl se pro tvorbu hypnogramu s jednosekundovým časovým rozlišením. Použil k tomu plovoucí třísekundové okno s dvousekundovým překryvem, nicméně pro učení neuronové sítě vycházel z dat, u kterých expert vyhodnocoval spánková stádia v třicetisekundových intervalech. Jak se s touto skutečností vypořádal při učení sítě (resp. při hodnocení klasifikace), podrobněji neuvedl. Testoval varianty sítí s různými počty neuronů v 1. i ve 2. vrstvě. Vycházel z PSG dat od 4 klientů, postupně zvyšoval počty klientů pro učení sítě z 1 na 3 a úspěšnost klasifikace hodnotil na jiném klientovi. Zvolený postup hodnotím kladně. K samotnému testu mám následující připomínky. Výhradu mám k nesprávnému používání pojmu amplituda, který by se měl používat pouze v souvislosti s harmonickou funkcí. Název „notch filtr“ měl autor nahradit českým názvem. Na obr.3.2 není diskrétní vlnková transformace, ale spojitá (byť diskrétně vyjádřená); bez zobrazení signálu zde jeho transformace ztrácí výpovědní hodnotu. Za velmi nešťastný považuji autorem používaný popisek „Obrázek“, protože se při odkazu v textu neskloňuje, což vede k větám až úsměvným. Závěrem konstatuji, že práce byla časově poměrně náročná a autor v ní dosáhl dílčích úspěchů. Úspěšné klasifikace dosahoval u stádií W, N3 a REM, problematičtější bylo rozpoznání stádií N1 a N2. Práce je poměrně rozsáhlá a přes uvedené připomínky ji hodnotím jako zdařilou. Autor odvedl velký kus práce a zadání projektu splnil.
eVSKP id 84471