MALINA, O. Detekce začátku a konce komplexu QRS s využitím hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Student Ondřej Malina se zabýval tématem detekce začátku a konce komplexu QRS s využitím hlubokého učení. V teoretické části práce student pečlivě popisuje veškeré teoretické znalosti nutné k vypracování praktické práce. Velmi oceňuji zejména kapitolu 1.2.3, která kompletně popisuje patologie způsobující prodloužení QRS, kapitolu 1.4 popisující projevy stimulátoru v EKG a celé kapitoly 2 a 3, ve kterých jsou popsány moderní přístupy využití strojového učení včetně rešerše přístupů použitých pro rozměření EKG. Celkově je teoretická část práce velmi zdařilá. V praktické části práce student natrénoval a otestoval model pro detekci začátku a konce komplexu QRS. Nad rámec zadání byla síť naučena detekovat také začátek a konec vlny P a T za účelem zlepšení přesnosti detekce začátku a konce QRS. V popisu dosažených výsledků jsou ovšem kritické nedostatky. Zásadní je, že v práci chybí vyhodnocení přesnosti detekce začátku a konce QRS, což byl hlavní cíl práce. Dále postrádám výsledky navržené sítě zvlášť na validační a testovací sadě. U výsledků není zřejmé, na jaké sadě to bylo vyhodnoceno. Student algoritmus testoval pouze na jedné databázi, ačkoli měl k dispozici velké množství signálů z jiných databází. Právě využití těchto signálů bylo pro novost této práce důležité. Uvedené nedostatky jsou způsobeny faktem, že student byl aktivní jen na konci zimního a letního semestru, a tedy tyto nezbytné analýzy nestihl dokončit. Navrhuji známku F, 45 bodů.
Student Ondřej Malina se ve své práci zabývá návrhem hlubokého neuronového modelu pro segmentaci QRS komplexu v EKG záznamu. Teoretická část obsahuje nezbytný úvod do geneze EKG a morfologického obrazu QRS komplexu při kardiostimulaci. Rešerše zaměřená na medicínskou část problematiky je sepsána věcně, srozumitelně a je podpořena studiem adekvátní literatury. V další části se student věnuje základním principům hlubokých sítí a hlubokého učení. Text je opět sepsán srozumitelně, i když místy méně odbornou formou. Text by si zasloužil hlubší studium problematiky z většího množství zdrojů. Přednášky (zdroj 17, 26, 27), byť oborově zaměřené, nelze považovat za adekvátní (a v této sekci jediné) podklady pro diplomovou práci. Oceňuji velmi podrobnou rešerši současných metod hlubokého učení pro segmentaci EKG signálu. Je zřejmé, že se student s recentní literaturou dobře seznámil. Některé diskutované parametry metod by ale mohly být blíže specifikovány a uvedeny do kontextu. Totéž se týká hodnocení výhod a nevýhod jednotlivých bloků hlubokých sítí. Praktická část je sepsána na 19 stranách. Úvod je věnován předzpracování dat a jejich rozdělení na trénovací, validační a testovací sadu. Zde není zřejmé, jakým způsobem byla data na jednotlivé sady rozdělena. Vzhledem k tomu, že byly na trénovací vzory separovány dvojice dostupných EKG kanálů, je možné, že se do testovacích dat dostaly také záznamy subjektů ze sady trénovací, což by mohlo narušit vzájemnou nezávislost sad. Architektura použitého modelu je převzata z literatury včetně všech parametrů. Student v práci uvádí, že se architekturu pokoušel rozšířit o pozornostní vrstvy, bohužel však neúspěšně a na úkor času, který mohl věnovat dílčím úpravám a optimalizaci původní architektury či procesu učení. Tímto bohužel nebyl naplněn bod 4 zadání a bod 3 byl splněn jen částečně. Implementaci již publikovaného modelu bez jakékoliv invence nelze považovat za vlastní návrh. Volbu architektury, jejich parametrů a parametrů učení by přitom v textu bylo potřeba hlouběji popsat a zdůvodnit. Postrádám zde bližší specifikaci použitých konvolučních filtrů, parametrů optimalizační metody ADAM, zdůvodnění ReLU aktivace právě pro EKG záznamy, způsob volby kroku učení, velikosti dávky, počtu epoch, atd. To vše jsou hyper-parametry, k jejichž nastavení je třeba přistupovat systematicky a také je systematicky zdokumentovat. Sekce výsledků byla evidentně psána na poslední chvíli. Bohužel zde chybí výsledky pro jednotlivé datasety i rozměření QRS komplexu. Ani u uvedené tabulky není jasné, které sady signálů se týká. V textu postrádám diskuzi výsledků. Zdrojový kód je na druhou stranu napsán srozumitelně a je z něj zřejmé, že student věnoval množsví času implementačním specifikům jazyka Python a knihovny PyTorch. Po stylistické stránce je práce na vynikající úrovni a nemám k ní výhrady. I přesto bohužel nemohu práci pro nesplnění některých cílů a nedostatečný vlastní přínos doporučit k obhajobě a hodnotím ji 40 body.
eVSKP id 134806