GRŮZOVÁ, B. Detekce fibrilace síní zPPG signálu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Studentka Barbora Grůzová se ve své bakalářské práci zabývá detekcí fibrilace síní (FS) v PPG signálech. Teoretická část práce čítá 17 stran a je plně dostačující. Součástí rešerše je kapitola o FS, EKG, PPG a také kapitola popisující tři různé metody detekce FS v PPG. V rámci praktické části, která čítá 18 stran, studentka nasnímala PPG signály pomocí chytrého telefonu, k nim referenční EKG signály a další fyziologické parametry od 10 dobrovolníků. Tato data nasnímala dle daného protokolu a budou součástí již existující databáze vytvořené na ÚBMI a zveřejněné na Physionetu. Studentka naměřená data synchronizovala a předzpracovala. Pro detekci FS využívá volně dostupnou databázi MIMIC Perform AF, která obsahuje záznamy jak s FS, tak se sinusovým rytmem. V rámci praktické části vytvořila jednoduchý detektor systolických peaků v PPG signálu, který otestovala na datech z uvedené databáze a také na datech vlastních. Navržený detektor byl také porovnán s volně dostupným detektorem QPPG. Studentka využila detekované systolické peaky k výpočtu příznaků založených na PRV analýze a následně je rozšířila o další příznaky, čímž dosáhla celkového počtu 29 příznaků. Studentka provedla statistickou analýzu příznaků a vytvořila klasifikátor PPG segmentů do skupin SR a FS na základě shlukovací metody k-means. Na trénovací sadě dat identifikovala optimální kombinaci příznaků (4 příznaky), díky čemuž dosáhla velmi dobrých výsledků i na testovací sadě – všechny metriky (Se, Sp, Acc, F-skóre) přesáhly 99 %. V diskusi se rovněž věnovala možným příčinám chybné detekce, což podpořila také vizualizací. Studentka ve své práci využívá 38 relevantních literárních zdrojů. Práce obsahuje minimum překlepů a po formální i obsahové stránce je na velmi dobré úrovni. Zadání práce je splněno. Studentka pracovala aktivně a samostatně během celého semestru. Aktivitu studentky dokazuje také účast na studentské soutěži FEKT Teams.
Studentka se ve své práci zabývá aktuálním tématem detekce fibrilace síní (FS) ve fotopletysmografických signálech. Teoretická část práce je dobře zpracovaná. Výjimku tvoří kapitola 5, kde jsou popsané tři principiálně odlišné algoritmy detekce FS, což je v pořádku, nicméně tento popis není vždy zcela jasný nebo v něm něco chybí (např. odstranění a nahrazení extrasystol a to zda jsou příznaky počítány v okně u první metody, u druhé metody chybí, jak je zvoleno „k“ u kNN či podrobnější popis detekce minim pomocí dolní propusti, u třetí metody pak chybí podrobnější popis IBI a výsledky této metody). V rámci praktické části studentka nasnímala PPG, EKG a ACC u 10 subjektů při různých aktivitách. Chybí mi zde uvedení vzorkovací frekvence u ACC dat a dále bližší popis detektorů QRS komplexů a peaků v PPG a také podíl autorky (vzhledem k tomu, že na tvorbě databáze se podílely čtyři studentky). Celkově oceňuji pečlivou práci na vzniku a kompletaci této databáze, která díky tomu bude dále využita pro vědecké účely a rozšíří BUT PPG databázi publikovanou na PhysioNetu. Dále studentka vytvořila detektor peaků v PPG a algoritmus pro detekci FS. K tomu je využit MIMIC PERform AF Dataset, který je popsán příliš stručně (např. je zde jen prostě konstatováno, že ke každému signálu byla vytvořena anotace peaků, ale už není zřejmé, jaká anotace, jak a kým). Samotný princip detekce peaků je založen na poměrně jednoduchém principu a je popsán chaoticky. Výsledky jsou však přehledné a velmi dobré. Studentčin algoritmus je navíc přímo porovnán s jedním z nejlepších současných algoritmů a také otestován na části vlastních dat a i v tomto srovnání si vede velmi dobře. Pro detekci FS používá studentka 29 extrahovaných příznaků a metodu k-means. Některé příznaky nejsou v práci popsané. Jejich schopnost rozlišit sinusový rytmus (SR) a FS byla statisticky zhodnocena. Studentka uvádí, že příznaky byly i vizualizovány, ale to není blíže popsáno, ani ilustrováno. Poté měly příznaky vstupovat do k-means v různých kombinacích, to však není blíže popsáno a výsledky nejsou uvedeny. Je zde až výsledek pro metodu s údajně nejvyšším F1 skóre, která je založena na 4 příznacích a ten je rovněž velmi dobrý. Algoritmus byl navíc otestován na 6 záznamech z úplně jiných zdrojů a fungoval bezchybně. Vyvinutý algoritmus je nepřímo porovnán s dvěma dalšími. Výsledky jsou řádně diskutovány. Práce má dostatečných 37 stran od úvodu po závěr při malém řádkování. Z formálního i jazykového hlediska je na dobré úrovni a několik překlepů či méně technických formulací nekazí dobrý dojem z práce. Místy jsou malé popisky os v grafech. U vlastních obrázků převzatých signálů se obvykle v titulku zdroj neuvádí. Práce obsahuje 38 literárních zdrojů, z nichž zhruba polovina jsou časopisecké články či konferenční příspěvky a 9 je z posledních pěti let. Citace jsou místy nekonzistentní (zejména uvádění celých jmen vs. iniciál a použití kurzívy). Zadání práce je splněno. Práci hodnotím stupněm B/84 bodů a přikládám otázky.
eVSKP id 167515