VAŠÍČKOVÁ, Z. Využití umělých neuronových sítí pro hodnocení spánku [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.
Studentka Zuzana Vašíčková se ve své práci zabývala využitím umělých neuronových sítí pro klasifikaci spánkových fází z polysomnografických dat. V literární rešerši se nejprve věnuje spánku a polysomnografii, následně pak různým klasifikačním metodám se zaměřením na neuronové sítě. Na základě těchto informací pak vybírá vhodné signály a parametry pro klasifikaci a následně provádí samotnou klasifikaci za použití Neural toolboxu Matlabu. Studentka k práci přistupovala s proměnlivou aktivitou, nicméně po výtkách u semestrální práce se četnost a včasnost konzultací zvýšila. Text je psán dobrou angličtinou jen s malým množstvím chyb a překlepů. Na základě práce s vhodnou literaturou dospěla studentka k dobrým, a u spánkových fází W a N1 výborným výsledkům. Výsledky jsou porovnávány pro různý počet neuronů v síti, bohužel však už nedošlo na srovnání různých metod učení sítě. Práci i přístup studentky z pohledu vedoucího hodnotím vesměs kladně, práci doporučuji k obhajobě a navrhuji hodnocení B, 85 bodů.
Studentka Zuzana Vašíčková vypracovala bakalářskou práci na téma Využití umělých neuronových sítí pro hodnocení spánku. Předložená práce je psaná anglicky, členěná do 7 kapitol na 48 stranách. V teoretické části práce je popsána fyziologie spánku, hodnocení spánku, polysomnografie a metody klasifikace spánkových stádií. V poslední kapitole teoretické části práce jsou popsány metody zpracování signálu. K této části mám několik drobných poznámek - na straně 28 dochází hned v úvodu kapitoly 4.2 k zanoření až do 4. úrovně (nadpis Entropy) – zde by bylo vhodné doplnit úvodní text k jednotlivým podkapitolám. U rovnic v kapitole 4.2.1 se opakuje vysvětlení, že „n“ je počet vzorků signálu, nicméně pro vzorec (4.8) je v první části použito velké N, které není vysvětleno a podle předchozího popisu by odkazovalo na počet kategorií v histogramu. Rovnice (4.7) je nesprávně označena jako skewness, u rovnic (4.5) a (4.7) by bylo vhodnější označit centrální momenty (M2-M4) dolními indexy, aby korespondovaly k rovnici (4.6). U popisu rovnice (4.10) je překlep v označení derivace. U rovnice (4.13) nesouhlasím s označením proměnné „omega“ jako vzorkovací frekvence signálu. V praktické části byla realizována metoda využívající umělou neuronovou síť s použitím 21 vstupních parametrů odvozených z jednotlivých biosignálů. Volba parametrů je dostatečně diskutována. U popisu trénování neuronové sítě mi chybí ukončující kritérium pro fázi učení a způsob realizace validace sítě. Diskuzi počtu neuronů ve skryté vrstvě by bylo vhodnější rozšířit využitím např. křížové validace. U předložených výsledků klasifikace formou matice záměn není zřejmé, zda se jedná o výsledek fáze učení, validace nebo testování. Popis na straně 42 nahoře nekoresponduje s hodnotami v odkazované matici záměn na obr. 6.3. Testovány byly celkem 3 různé způsoby klasifikace, které se lišily počtem tříd. V kapitole 6.5 jsou vypsány výsledky z publikovaných studií. Do této tabulky by bylo vhodné doplnit i závěry aktuální bakalářské práce s diskuzí přesnosti klasifikace. Číselné zhodnocení formou přesnosti klasifikace postrádám i v samotném závěru. Po formální stránce vytýkám nízkou kvalitu obrázků z Matlabu. Na obrázek 5.1 a tabulku 5.1 není v textu odkazováno. Práce cituje 23 literárních položek. Kladně hodnotím psaní práce v anglickém jazyce, nicméně kvality angličtiny je kolísavá. Studentka se nevyvarovala prohřešků proti slovosledu a gramatice (nepoužívání neurčitých členů, formulace „on the image/table“). Zadání práce je splněné v celém rozsahu, práci doporučuji k obhajobě a hodnotím známkou velmi dobře (B – 85 bodů).
eVSKP id 110541