ALEKSANDRENKO, B. Využití neuronové sítě při detekci poruch srdečního rytmu z EKG dat a signálu akcelerometru [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Student Borys Aleksandrenko předložil k hodnocení bakalářskou práci na téma „Využití neuronové sítě při detekci poruch srdečního rytmu z EKG dat a signálu akcelerometru“. Práce obsahuje 65 stran textu, 35 obrázků a 38 citací použité literatury. V teoretické části jsou adekvátním způsobem popsány poruchy srdečního rytmu a je zde vysvětlena potřeba korelace akcelerometrických dat s EKG nálezem při hodnocení poruch srdečního rytmu. Součástí této části práce je rešerše dostupných řešení s detailním rozborem neuronových sítí pro analýzu signálu. V praktické části student prozkoumal testované datasety a navrhl dva modely strojového učení pro určení úrovně aktivity. Detailně popsal navrženou neuronovou síť a její konkrétní testování včetně výběru datasetu v trvání 80 dní. Student rozšířil řešení o adaptivní BLMS filtr, který byl nezbytný v navrženém řešení pro určení tepové frekvence. Výsledky a účinnost filtrace jsou řádně popsány a otestovány pomocí Poincarého mapy na 24-hodinovém záznamu EKG. V praktické realizaci práce student kromě programovacího jazyka Python, uvedeného v zadání, použil navíc programovací jazyk PHP. Výsledný program v jazyce Python má dobrou logickou strukturu, je řádně okomentován a implementuje všechny prvky popsané v metodice. Obrázky jsou zpracovány s dostatečným rozlišením a legenda k nim je srozumitelná. V diskuzi jsou odpovídajícím způsobem uvedeny limitace práce a z nich vyplývající podněty pro další výzkum, zejména potřeba testování na větším vzorku pacientů nebo zvýšení vzorkovací frekvence akcelerometru. Využití akcelerometru při diagnostice nepřiměřené sinusové tachykardie má velký potenciální klinický význam. V práci se vyskytují drobné gramatické chyby a překlepy, nicméně je třeba vzít v úvahu, že autor není rodilým mluvčím. Práci hodnotím pozitivně, rešerše je detailně zpracovaná, podpořená dostatečným počtem adekvátních citací. Oceňuji, že student věnoval velké úsilí praktické části své práce a svědomitě svou aktivitu při tvorbě práce konzultoval. Ke splnění zadání nemám výhrady, práci doporučuji k obhajobě s hodnocením A, 90 bodů. Výsledný počet bodů navržený vedoucím: 90 Známka navržena vedoucím: A
Student Borys Aleksandrenko vypracoval bakalářskou práci na téma využití neuronové sítě při detekci poruch srdečního rytmu. Cílem práce je detekovat patologie z EKG s využitím ACC signálů. Pro dosažení těchto cílů byla zvolena poměrně složitá cesta. Už od teoretické části působí práce trochu zmatečným dojmem. Nejednou dochází v textu ke skoku z teorie k výsledkům a pak zase zpět. Některé přiložené snímky jednoduše nedávají smysl a v textu není dohledatelné co vlastně ukazují (např. snímky 2.2 a 2.3 – chybí jednotky u obou os, není jasné, co představují body v grafu ani na co konkrétně odkazuje zkratka „ECG“ a co vlastně koreluje). Teorie obsahuje metody, které nejsou v praktické části zahrnuty (např. autoencodéry). Volba LSTM modelu, HMM a rozhodovacího stromu v sérii je s otazníkem. Student popisuje měření poměrně rozsáhlé množiny dat, ale nikde v textu již není popsáno, zdali data pochází od lidí, kteří skutečně trpí hledanými patologiemi. Bez této informace je celý další postup, a především hodnocení výsledků sporné. Stejně tak není nikde naznačeno, v jaké formě jsou signály anotovány (každý časový okamžik, časové značky…). Hned z kraje praktické části se student dopouští metodologické chyby, kdy prezentuje na snímcích 4.2 a 4.5 trénovací a testovací data i přes to, že při bližším přezkumu je polovina snímku totožná. Ze snímků je zároveň patrné, že data mají celkem 6 úrovní aktivity, což je zde ukázáno poprvé. Krok odvození HR z ACC dat pomocí LSTM není dostatečně vysvětlen. V kontextu se schématem 2.6, ze kterého je jasné, že HR je odvozená z filtrovaného EKG není důvod predikovat to samé z LSTM. I kdyby tento krok byl opodstatněný, tak student sám dochází k výsledku, že metoda nefunguje, ale i tak výsledek komentuje jako dostačující. V práci není nikde podložen předpoklad, že by se HR měla v ACC datech nacházet, a tudíž vzhledem k výsledkům predikce je dost možné, že se model naučil pouze na šum v datech. Zvolená architektura sítě je poměrně složitá, což by podporovalo hypotézu přeučené sítě. Úspěšnost BLSM filtrace je hodnocena pouze na jednom signálu dlouhém 10 sekund, což je v kontextu celé databáze naprosto nedostačující. Celá práce je prostoupena četnými překlepy a pravopisnými chybami. Mnoho snímků má nevyhovující kvalitu, popisky os grafů jsou neúplné nebo dočista chybí. I přes to, že lze konstatovat, že zadání práce je v hrubých obrysech splněno, tak s přihlédnutím ke slabé metodologické a formální části hodnotím práci stupněm E, 55 bodů.
eVSKP id 159681