STRÁNSKÝ, M. Detekce hypoglykémie pomocí chytrých zařízení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Téma BP Matyáše Stránského vychází z aktuálního problému z praxe, se kterým student sám přišel, a tím je detekce/predikce hypoglykémie ve spánku pomocí chytrých zařízení. Téma bylo high risk/high gain a bylo koncipováno jako studie proveditelnosti. Musím konstatovat, že úvodnímu nadšení a zapálení studenta neodpovídají výsledky, ani kvalita práce. Dané téma vyžadovalo mnohem více úsilí. Převážně kladně hodnotím teoretickou část práce a to, že se studentovi podařilo nasnímat reálná data včetně hypoglykémie alespoň na 4 subjektech. Praktická část práce má značné rezervy. Z daných měření student extrahoval pouze tři příznaky, přičemž jen jeden mu vyšel statisticky významný z hlediska rozlišení hypo- a normoglykémie. Jako detekční algoritmus je použito jednoduché prahování. Oproti první verzi byla práce doplněna a zadání lze nyní považovat za splněné. Je ale splněné minimalistickým způsobem a s řadou výtek. Kapitola 3.2 je velmi obecná a oproti původní verzi práce se nezměnila – jednotlivé metody by bylo potřeba popsat detailněji, ideálně i s uvedením výsledků. V současné verzi práce přibyla ukázka dat z ACC a průběh TF, nicméně stále chybí kompletní ukázka dat alespoň z jednoho měření. U Apple Watch stále není popsáno jak a v jakém formátu byla exportována data a jaká. Kapitola 5 byla výrazně doplněna. Vyvstává z ní ale řada nejasností. Např. byla nějak upravena data z Apple Watch z hlediska jejich kvality (podobně jako data z Empaticy)? Jak byl vytvořen upravený záznam z ACC na obr. 5.1? V práci byly použity statistické testy, ale jejich výsledky jsou uvedeny jen textovou formou, nikoli číselně. Bylo by vhodné v práci popsat předpoklady, jestli dochází ke snížení či zvýšení hodnot daného příznaku v hypoglykemii. Obecně se mohl student extrakcí příznaků zabývat více a zkusit získat některé další z již naměřených dat. Vyvážení datasetu by bylo vhodné vyzkoušet i opačné, tedy zredukovat normoglykemické hodnoty. Výsledky algoritmu by měly být popsány i dalšími metrikami jako senzitivita a specificita. Z formálního hlediska je práce na průměrné úrovni. Od úvodu po závěr čítá 35 stran. Práce obsahuje řadu překlepů a gramatických chyb. U obrázku 5.3 chybí jednotky u popisků os. Práce obsahuje zbytečná prázdná místa. Seznam literatury je adekvátní tématu práce, obsahuje 10 časopiseckých publikací z posledních 5 let. Citace nejsou konzistentní. Řazení literárních zdrojů není ani podle pořadí výskytu, ani abecedně. Na základě výše uvedeného práci doporučuji k obhajobě a hodnotím 57 body/E.
Předložená bakalářská práce studenta se zabývádetekcí hypoglykémie svyužitím chytrých zařízení. Práce má od úvodu po závěr 34 stran a obsahuje 33 literárních zdrojů. Práce obsahuje pár překlepů a pravopisných chyb. Teoretická část práce je dostačující a praktická část byla oproti předešlé verzi rozšířena a obsahuje 17 stran. Vrámci praktické části student nasnímal data od 4 osob. Pro snímání využíval 2 chytrá nositelná zařízení a pro měření reference pak senzor pro kontinuální měření glykémie. Kapitola o snímání dat a předzpracování dat byla doplněna a oproti předešlé verzi je již o něco jasnější, jak student postupoval. Znaměřených dat student extrahoval tři příznaky vycházející z tepové frekvence, elektrodermální aktivity a teploty. Pro dané příznaky student vytvořil boxploty, dle kterých vybral příznak vycházející ztepové frekvence jako jediný vhodný. Oceňuji, že student oproti předešlé verzi podložil signifikanci příznaků také statistickým testem, vpráci však mohly být uvedeny jednotlivé p-hodnoty. Pro vyvážení datasetu student použil oversampling, kopírováním náhodně vybraných hodnot z hypoglykemických dat, čímž tak student vytvořil více nových vzorků, než bylo původně vdané skupině naměřeno a otázkou je, zda by nebylo lepší zvolit jinou metodu pro vyvážení datasetu. Ksamotné klasifikaci je následně použito obyčejné prahování, přičemž byly vyzkoušeny různé prahy. Výsledná přesnost algoritmu je 64 %. Vdiskusi student porovnává své výsledky sjinými autory, ale pro porovnání nepoužívá stejnou metriku. Rovněž se domnívám, že popis a metodika použitá jinými autory by neměla být takto rozsáhle popisována vdiskusi, ale spíše vnějaké zkapitol vteoretické části práce. Přestože chápu, že je práce koncipována jako Proof of concept a student praktickou část rozšířil, stále si myslím, že ji mohlo být věnováno více úsilí. Už zpředešlé verze bakalářské práce bylo patrné, že zetří zmíněných příznaků se jeví pro tuto úlohu jako signifikantní pouze jeden jediný. Student tak mohl alespoň zkusit znaměřených dat získat i jiné příznaky a třeba tak vylepšit celkovou úspěšnost algoritmu. Závěrem však mohu konstatovat, že většinu prohřešků vytýkaných v předchozí odevzdané bakalářské práci se student snažil opravit a práci hodnotím stupněm E a doporučuji k obhajobě.
eVSKP id 161975