KLIMENT, J. Metody komparace záznamů elektroencefalografu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Student Juraj Kliment se ve své práci věnoval metodám pro diferenciaci elektroencefalogramů. Práce je dobře strukturovaná a splňuje zadání. Odborná i formální úroveň práce je však - zvláště v praktické části - velmi slabá a prozrazuje, že se student v problematice zpracování elektroencefalogramů plně neorientuje. V části práce popisující předzpracování dat student uvádí, že data byla filtrována filtrem typu horní propust s mezní frekvencí 30 Hz, což by však znamenalo, že z elektroencefalogramů byla odstraněna informace v pásmech alfa, beta, delta i theta, přičemž by zbylo jen pásmo gama. Zřejmě však jde jen o nesprávnou informaci uvedenou v práci, neboť k práci přiložený *.edf soubor tato pásma odstraněná nemá a v přiloženém programu k filtraci nikde nedochází. Vlastní práce studenta spočívá ve výběru vhodných parametrů k diferenciaci elektroencefalogramů a ve využití již hotových funkcí pro jejich výpočet. V práci ale chybí jak popis nastavení parametrů těchto funkcí, tak alespoň stručný princip toho, co funkce realizují. Student v teoretické části uvádí, že “Hurstov exponent signálu je vhodnejšie odhadovať na kratších signáloch, výsledkom takéhoto odhadu je vyššia presnosť celkového odhadu.” ale v praktické části počítá Hurstův exponent z celého záznamu. Výběr konkrétních pěti elektrod z množiny elektrod systému 10 - 20 není zdůvodněný a navíc číslování elektrod formou čísel 1 - 5 místo jejich označení dle pozičního systému 10 - 20 nepřispívá k srozumitelnosti postupů při zpracovávání záznamů. Student si vybral databázi EEG signálů obsahující záznamy probandů v klidu a při mentální zátěži, což je pro účely splnění zadání výborná volba. Mentální zátěž se ale obvykle počítá z energie EEG v pásmu beta, případně z poměru kombinace energií v pásmu alfa a beta. Student ale pracoval s celým spektrem elektroencefalogramů, místo aby EEG nejdříve rozdělil do obvyklých spektrálních pásem, což může vysvětlovat malou úspěšnost při rozdělení záznamů na klidové a zátěžové. Statistické zpracování výsledků bohužel také obsahuje řadu nedostatků. V práci chybí posouzení vhodnosti použití T-testu pro zpracovávaná data, kdy místo dokumentace pravděpodobnostního rozložení dat student konstatoval, že se T-test “běžně používá na podobné typy dat”. Barevné značení v tabulkách s výsledky autor vysvětluje pojmy “správnost očekávané změny” a “změnu opačným, neočekávaným směrem”, aniž by vysvětloval, jakou změnu považoval za očekávanou a jakou za neočekávanou. Srovnání krabicových grafů na obrázku 6.2 ukazuje, že hodnoty Hurstova exponentu jsou téměř totožné, ale statistický test prokázal statisticky významnou odlišnost na hladině významnosti 0,05, což je zvláštní. Stejnou nejasností jsou zatíženy i výsledky pro ostatní počítané parametry kromě přibližné entropie (jde o parametr zobrazený na obrázku 6.8, jenž v názvu kapitoly student označuje jako Approximate entrophy, v titulku grafu Odhadovaná entropia a v popisku grafu Lyapunův exponent). V souhrnném vyhodnocení v kapitole 6.5 student konstatuje, že “všetky štyri vybrané parametre rozlíšili skupinu signálov v kľude od skupiny signálov v záťaži”, což je v rozporu se studentovým předchozím zjištěním, že tři z nich jsou statistiky významné, zatímco čtvrtý nikoliv. Student v závěru uvádí, že “Z farebných tabuliek v kapitole 6.1 - 6.4 je možné vydelením počtu zelených políčok s počtom všetkých políčok získať percento prípadného úspešného zaradenia signálu z konkrétnej dvojice do skupiny signálov v kľude alebo signálov v záťaži.” Pominu-li, že nejde o problematiku klasifikace signálů do tříd, ale jen o výpočet poměru počtu očekávaných výsledků ke všem výsledkům, dochází student k závěru, že úspěšnost zařazení do jedné ze dvou skupin se pohybuje v rozmezí 53 - 65%, což téměř hraničí s náhodou. Toto zjištění opět nabourává důvěru v korektní výpočet statistické významnosti parametrů. Student nízkou úspěšnost zařazení do skupin vysvětluje tím, že jej mohla ovlivnit nesprávná předpříprava dat, množství šumu či nežádoucí úseky v signálu, ale žádný z těchto fenoménů v práci nekoriguje, a dokonce ani ověřuje na reálných datech. V diskuzi student své výsledky srovnal z výsledky studií jiných autorů, ale u jednoho srovnání bohužel porovnal trend změny parametru způsobený mentální zátěží s trendem změny stejného parametru způsobené poslechem hudby, což sice zajistilo shodnost trendu, ale na úkor smysluplnosti takového srovnání. Formální úroveň práce je nízká, obrázky jsou nekvalitní a některé jsou zploštělé, takže na nich přečíst legenda ani popisky os, osy uvádějící časový vývoj signálu jsou značeny ve vzorcích místo časových jednotek, anglické legendy někdy neodpovídají slovensky psanému textu práce. Uvedení výsledků formou barevně podbarvené tabulky zvyšuje srozumitelnost textu, ale formální realizace, kdy student místo vložení tabulky vložil její printscreen, snižuje formální úroveň práce. Odkazování na studie někdy chybí, občas student uvádí, že “literatura doporučuje”, ale neuvádí o kterou literaturu jde. Výčet literatury je však dostatečný a její položky jsou relevantní. Přestože student v průběhu semestru několikrát koordinoval postup prací se svým vedoucím, začal se intenzivně věnovat jádru své závěrečné práce až koncem semestru. Práci proto s přihlédnutím ke zmíněným nedostatkům hodnotím stupněm E a 51 body.
Student Juraj Kliment se ve své práci věnuje metodám vhodným pro porovnání EEG signálů snímaných za různých podmínek. Práce má logicky členěnou strukturu a začíná přehledem metod používaných pro analýzu EEG signálů. Student se zaměřuje na nelineární metody, které jsou náročné na pochopení. Vybrané metody jsou přehledně popsány s využitím dostatečného množství odborných zdrojů. Tato část obsahuje relevantní ilustrační obrázky a několik konkrétních případů využití vybraných nelineárních postupů pro analýzu EEG. Bohužel musím konstatovat, že studentovi chybí kritický přístup při využití dostupných materiálů. Např., přebírá pravděpodobně vágní výsledek z publikace [23], kde autoři porovnávají hodnoty parametrů EEG snímaných za různých stavů. I přes p-hodnoty vyšší než hladina významnosti 0,05, autoři konstatují statisticky významné rozdíly v hodnotách parametrů mezi různými stavy. Buď se jedná o chybnou interpretaci p-hodnot, nebo špatný popis použitých statistických metod. Ze strany studenta se tak jedná buď o nepochopení základních statistických testů, nebo o nedůkladné seznámení se s článkem, nebo o ignoraci sporné kvality publikace. Dále v praktické části student k EEG signálům z databáze uvádí, že byly zpracovány filtrem typu horní propust s mezní frekvencí 30 Hz, což je naprosto nevyhovující při práci s EEG, jehož užitečné spektrum je právě do cca 35-40 Hz. Tento chybný údaj, který lze vysvětlit jako překlep, student opsal ze stránky Physionet, aniž by se nad tím zamyslel. Při důkladnějším pátrání se však dá najít informace z původního zdroje, kde figuruje hodnota mezní frekvence 0,5 Hz, což je vyhovující pro následnou analýzu EEG. Celá praktická část je založená na využití 4 dostupných funkcí v Matlabu pro výpočet nelineárních parametrů EEG a následném vyhodnocení dat v programu Statistica pomocí jednoho testu. I přesto, při uvážlivé a důkladné analýze dat, by se výsledky daly akceptovat. Student se však dopouští několika závažných chyb při práci s parametry. Pro analýzu vybírá parametry z 5 kanálů EEG, kde neuvádí, o které kanály se konkrétně jedná. Pro testování rozdílů mezi dvěma stavy používá Studentův párový t-test, aniž by ověřil splnění podmínek jeho použití. Při testování rozdílů mezi relaxací a mentální zátěží spojuje parametry ze všech kanálů dohromady, čímž mu vznikají dva početné soubory. Je známo, že různé činnosti (mentální, audiovizuální aj.) se projevují změnou aktivity různých oddílů mozku. Data z různých kanálů EEG, obzvlášť prostorově vzdálených, se proto zpracovávají zvlášť. Přestože se jedná o velmi malé rozdíly hodnot mezi dvěma stavy, byly tyto rozdíly testem prokázané jako statisticky významné. Tento fenomén lze vysvětlit vlivem velikosti porovnávaných souborů na výsledek testu. Student tyto výstupy interpretuje jako známku významnosti rozdílů mezi stavy, aniž by vyhodnotil reálnou důležitost měřených rozdílů. Ani kompletně se překrývající krabicové grafy mu nenapovídají, že by se mohlo jednat spíše o nevhodnou aplikaci testu. Kdyby student pracoval s každým kanálem zvlášť, pak by přišel na to, že parametry nevykazují statisticky významné rozdíly mezi relaxací a mentální zátěží (bylo prakticky ověřeno na datech odevzdaných studentem do ISu). Zajímavé by bylo právě porovnání hodnot parametrů z různých EEG kanálů, např. těch, u nichž je předpokládaná změna signálů při tomto druhu zátěže. Ocenila bych vyhodnocení výsledků z hlediska možného vlivu chyb při zaokrouhlování či vlivu pohybových a jiných artefaktů, což může byt relevantní vzhledem k nízkým hodnotám sledovaných rozdílů. Z registrovaných změn parametrů (zvýšení či snížení hodnoty) student nakonec usuzuje o možnosti rozpoznání dvou sledovaných stavů a uvádí odpovídající úspěšnost rozpoznávání. Tato představa ovšem není korektní. S využitím vybraného postupu lze totiž rozpoznat, jestli se jedná o „přechod“ z jednoho stavu do druhého, nikoliv rozpoznat, jestli se jedná o ten či onen stav. Při výpočtu úspěšnosti se student opírá o poznatky ze studií, které nejsou vždy relevantní, jelikož využívají jiného stimulu při snímání EEG. Po formální stránce je práce na průměrné úrovni s některými nedostatky (např. nečíslované vzorce, nízká kvalita některých převzatých obrázků, překlepy, chybějící odkazy na dvě položky literatury, místy nejednotné formátování textu, chybějící jednotky u grafů parametrů). Vzhledem k nízké kvalitě praktického řešení a málo uvážlivému celkovému přístupu studenta hodnotím práci stupněm F/45 b. Doporučuji práci k přepracování a odevzdání v nejbližším možném termínu.
eVSKP id 126867