BENÁČEK, P. Pokročilé hodnocení kvality spánku [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Diplomová práce Petra Benáčka začíná kvalitní rešerší, bez nadbytečných teoretických informací. Na základě aktuálních literárních zdrojů student vybral model hlubokého učení, který následně implementoval, optimalizoval a otestoval na datech snímaných z chytrých zařízení. Pro eliminaci problému s malým zastoupením fáze bdělosti ve vybrané dostupné spánkové databáze a zvýšení klasifikační úspěšnosti algoritmů student využil několika způsobů augmentace dat, včetně rozšíření databáze o vlastně měřená data. Oceňuji důkladné srovnání záznamů z obou použitých zařízení (Empatica a Apple Watch) a popis jejich výhod a limitací. Kladně hodnotím snahu studenta o dosažení co nejlepších výsledků, kdy kromě různých augmentačních technik také vyzkoušel klasifikaci do dvou či více kategorií s využitím různých kombinací modalit a s pomocí jedné konvoluční sítě a kaskádové architektury zahrnující dvě či tří různé sítě. Student podrobně zdokumentoval, interpretoval a ilustroval výstupy s využitím vhodných tabulek a grafů. Odvodil parametry používané pro hodnocení kvality spánku a popsal vliv úspěšnosti klasifikace na hodnoty těchto parametrů, čímž splnil zadání v plném rozsahu. V diskuzi uvedl možné cesty k vylepšení použitých postupů. Formální úprava práce je na velmi dobré úrovni. Při práci nad zadáním student ukázal schopnost pracovat samostatně, svědomitě a efektivně. Práci hodnotím stupněm A/95 b.
Student Petr Benáček vypracoval diplomovou práci, ve které se zabývá automatickou klasifikací spánkových dat, konkrétně detekcí jednotlivých fází spánku. Teoretická část práce nabízí stručné, ale zároveň věcné představení problematiky od fyziologie spánku, popisu jednotlivých fází spánku a jejich obrazu v biomedicínských signálech, následovanou popisem měření polysomnografických, fotopletysmografických a aktigrafických dat. Teoretická část dále obsahuje popis klasifikačních metod, které jsou používány pro klasifikaci spánkových fází. Některé metody však student dále ve své práci nevyužívá, a proto tyto pasáže hodnotím jako nadbytečné. V praktické části se student věnuje zpracování volně dostupných ale i jím nově naměřených dat. Vzhledem k pozdějšímu popisu využití konvoluční sítě bych na tomto místě vytkl nízký počet subjektů, na kterých student prováděl měření (šest osob). Student provedl optimalizaci architektury jím navržené konvoluční sítě se snahou zamezit jejímu přeučování. Při popisu postupu trénování student neuvádí použitou chybovou funkci. Následně bylo provedeno několik druhů klasifikace, ze kterých byl sestaven rozhodovací strom pro rozlišení dat do dvou, tří a čtyř kategorií. Získané výsledky jsou dobře komentované a uvedené do kontextu. V práci se vyskytuje několik formálních chyb jako jsou překlepy, či nepřesné formulace. Dále pak popisy os některých grafů nejsou dobře čitelné. Grafy, které se vztahují ke klasifikaci do dvou kategorií (především spánek bdění) jsou na první pohled poněkud zavádějící, protože reference je vykreslená ve třech fázích. Na snímku 7.7 student uvádí tepovou frekvenci během konkrétních fází spánku. V textu popisovaný rozdíl mezi skupinami (1.2 BPM u NREM vs. REM) z grafu patrný není a ani není nijak jinak podložený. S přihlédnutím ke všem zmíněným skutečnostem doporučuji práci k obhajobě se stupněm B, 80 bodů.
eVSKP id 150872