BĚHUNČÍKOVÁ, V. Detekce fibrilace síní ze signálů EKG [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Diplomová práce je zaměřena na metody detekce fibrilace síní (FS) v signálech EKG. Pro detekci FS autorka analyzovala statistickou významnost 10 příznaků odvozených z variability intervalů RR. Realizovala detektor komplexů QRS, který testovala na signálech EKG databáze CSE s dobrou senzitivitou a pozitivní prediktivitou. Pro detekci FS použila dodanou trénovací databázi 150 signálů EKG (50 signálů s FS, 50 signálů se sinusovým rytmem a 50 signálů s arytmiemi) a odlišnou testovací databázi se stejnou skladbou 150 signálů. Kromě prahovacích metod autorka použila ke klasifikaci metodu podpůrných vektorů (SVM) a metodu nejbližších sousedů (k-NN). Dosažené výsledky klasifikace považuji za zajímavé. Prezentační úroveň práce je velmi dobrá, použité metody jsou srozumitelně vysvětleny, výsledky jsou prezentovány v přehledných tabulkách a grafech. Jedinou výhradu mám k textu před tab.9.1, který není v souladu s obsahem tabulky. Rozsah práce považuji za přiměřený, k formální úpravě a jazykové úrovni textu nemám kritické připomínky. Práce obsahuje odkazy na 35 publikací. Autorka splnila všechny požadavky formulované v zadání DP, během řešení projektu byla velmi aktivní. Práci hodnotím známkou A (95 b.).
Studentka Vendula Běhunčíková ve své práci implementovala odvození několika různých EKG příznaků, statisticky vyhodnotila jejich diagnostickou výtěžnost a realizovala několik metod pro detekci fibrilace síní (FIS), včetně jednoduchých rozhodovacích pravidel a sofistikovanějších SVM a kNN. Velmi oceňují její komplexní přístup při řešení zadání. Při výběru metod se inspirovala výsledky jiných autorů, které popsala ve velice detailní, čtivé rešerši. Zde popsala i vliv FIS na naměřené hodnoty všech RR příznaků, což studentce jistě napomohlo při návrhu rozhodovacích pravidel a při interpretaci dosažených výsledků. Po formální stránce je práce na dobré úrovni s místy chaotickým číslováním literárních zdrojů, místy chybějícími jednotkami u grafů, nejednotným označením směrodatné odchylky RR v textu a nekorektním označením variačního koeficientu jako „koeficient rozptylu“ a záměnou „FN“ za „TN“ ve vzorci pro výpočet senzitivity detekce. V práci se objevuje minimální množství překlepů. Je dobře členěná. V praktické části jsem bohužel narazila na některé nedostatky a nesrovnalosti. Poněkud nesystematická je práce s daty, kdy studentka měla k dispozici záznamy ze tří kategorií. Pro statistickou analýzu EEG příznaků (a tím i selekci vhodných příznaků) nakonec zvolila pouze záznamy se sinusovým rytmem a FIS a při samotném návrhu klasifikátoru již spojila dohromady dvě kategorie bez FIS, kterou rozpoznávala od FIS. Tato neshoda množin mohla vést k nekorektním závěrům analýzy a tím méně efektivnímu učení klasifikátorů i méně kvalitním výsledkům klasifikace. Spojením dat ze dvou skupin do jedné navíc vedlo k nerovnoměrnému zastoupení dat ve výsledné množině, což mělo byt studentkou bráno v úvahu při návrhu klasifikačního postupu a výběru metriky pro hodnocení úspěšnosti klasifikace. Vzhledem k charakteru dostupných dat a možnostem vybraných klasifikačních algoritmů by bylo zajímavé provést klasifikaci do všech tří skupin, což by se více podobalo problému řešenému v reálné praxi. V práci postrádám zdůvodnění použití vybraných klasifikačních postupů, přičemž nepovažuji za dostačující argument „jednoduchou implementaci v prostředí Matlab“, jelikož všechny metody se dají implementovat s využitím několika mála řádků kódu. Kvalitu použitého detektoru QRS komplexu studentka otestovala pouze na datech, která tvoří součást testovacího softwaru dostupného na UBMI. Alespoň vizuální kontrola mohla proběhnout i na použité databázi EKG, což by jistě prospělo při interpretaci falešných detekcí FIS (viz např. obr. 9.3). Jistě zajímavým výchozím bodem je použití sady rozhodovacích pravidel pro vypočtené příznaky. V práci bohužel není dostatečně podrobně popsán způsob stanovení optimálních prahových hodnot (standardně se pro daný účel používají různé metody hledání optimálního dělícího kritéria z ROC křivky). Dosažené výsledky klasifikace studentka shrnula v přehledných tabulkách a některé ilustrovala graficky. Zde se dopustila několika chyb, kdy a) počty chyb z matice záměn (viz tab. 9.2 nebo 9.4) se neshodují s hodnotami v textu k dané tabulce; b) u rozhodovacích pravidel popisuje v textu, že nejlepších výsledků dosáhla s využitím všech příznaků, zatímco dle tabulek ze stejné kapitoly vyplývá, že nejvhodnější je využití 5 příznaků z 10 původních či 8 vybraných statistickou analýzou; c) neshoduje se závěr týkající se klasifikace kNN a práhování, kdy ve skutečnosti došlo ke zvýšení počtu FP nálezů. U výsledků jiných autorů by bylo vhodné pro obecnou představu alespoň zmínit jejích úspěšnosti, a to i v případě, že přímé srovnání jednotlivých metod s metodami použitými v práci není možné. Přes uvedené výtky považuji výsledky práce za velice zajímavé. Rozsah použitých metod a výstupů svědčí o pilném a aktivním přístupu studentky. Práci proto hodnotím stupněm B/84 b.
eVSKP id 134386