BÓDI, M. Klasifikace spánkových událostí z polygrafických dat [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Práce studenta Michala Bódiho se věnuje detekci a klasifikaci spánkové apnoe. V teoretické části popisuje spánkové poruchy a možnosti jejich detekce se zaměřením na spánkové apnoe. V praktické části pracuje s databází DREAMS, kdy se pokouší nejprve detekovat respirační spánkové poruchy a následně je pomocí strojového učení klasifikovat. Teoretická část práce je stručnější, ale pro potřeby práce dostatečná. Postrádám trochu bližší popis metod strojového učení, obzvlášť metody KNN, kterou student používá v praktické části. Praktická část působí velmi chaoticky, postrádám ucelený popis celého procesu detekce a klasifikace, který by čtenáři jasně říkal, jaká data vstupují do jednotlivých částí a jaká vystupují. Jediným přehledem jsou tak vývojový diagram na obr. 3.1 (který je spíš jakousi myšlenkovou mapou) a blokové schéma 3.2, tyto obrázky si ale navzájem neodpovídají a popisují každá trochu jiný postup. Pro detaily tak čtenář musí začít hledat ve odevzdaném kódu, který ale není dostatečně komentovaný. U kapitoly Výsledky postrádám komplexní přehled dosažených výsledků pro celý dataset, jednotlivé tabulky a matice záměn vždy popisují jen výsledky od jednotlivých pacientů. U obr. 4.3 mi není jasné, kde vzal autor matici záměn pro 5 tříd, když jeho klasifikátor třídu „bez apnoe“ nehodnotí. Jako poslední výstup před závěrem pak byl zvolen obrázek 4.4, který by byl vhodnější spíš do předchozí kapitoly a k prezentování výsledků je nevhodný. Student svou práci konzultoval jen zřídka a četnost konzultací se zvýšila až těsně před odevzdáním práce, což odpovídá množství nepřesností a otazníků v praktické části. Detekce spánkové apnoe a její klasifikace do jednotlivých tříd je nicméně komplikované téma, a tak navzdory řadě výtek lze zadání práce považovat za splněné. Práci proto doporučuji k obhajobě a navrhuji hodnocení E, 55 bodů.
Bakalářská práce se věnuje problematice spánkové medicíny a polygrafických vyšetření, s důrazem na detekci a klasifikaci spánkových událostí. Teoretická část práce uvádí čtenáře do problematiky, rozebírá růžné metody diagnostiky a léčby spánkových poruch a naznačuje některé nástroje pro automatické vyhodnocení diagnostických dat. Teoretická část by dále mohla být doplněna o některé navržené a testované algoritmy dalších autorů, kvůli pozdějšímu srovnání dosažených výsledků. Slabinou předložené bakalářské práce je její praktická část, která je psána dosti chaoticky a nekonzistentně. Již blokové schéma na Obr. 3.1 vyvolává určitou nedůvěru. Autor tvrdí, že byl navržen „na začátku“ a výsledný blokový diagram je na Obr. 3.2. Ten je, ale nakreslen v mnohem menším detailu čili se nedá porovnat, co bylo změněno/vylepšeno a co tedy aktuálně platí. Nicméně blokový diagram z Obr. 3.1 neumožňuje klasifikaci třídy „bez patologie“ a tomu odpovídá i způsob práce s daty a učení klasifikačního modelu. Naproti tomu je z matice záměn (Obr. 4.3) ve výsledcích zřejmé, že algoritmus třídu „bez patologie“ klasifikovat umí. Tomuto rozporu jsem ani po přečtení práce na kloub nepřišel. K části práce, která se věnuje předzpracování a detekci spánkových událostí mám velké množství připomínek i navzdory tomu, že je tento postup založen na nosné myšlence. Výběr měřítka 120 pro Morletovu vlnku byl odůvodněn s ohledem na jediný signál z Obr 3.3. Otázka, kterou práce nezodpovídá je, zda je tato volba vhodná i pro pacienty s odlišnou dechovou frekvencí. Chybí ukázka, jak bude vypadat signál/spektrogram pokud nastane apnoická pauza, případně jak si předzpracování poradí s rušením či artefakty. Chybí ukázka signálu SpO2 a jeho vliv na detekci spánkových událostí. Chybí odůvodnění volby právě 5 sekund zpoždění poklesu SpO2 za zástavou dechu. Prezentace výsledků páce je nekonzistentní a neúplné. Z pohledu detekce spánkových událostí považuji za problematické a nedostatečně vysvětlené co považuje student za „true positive“, „false positive“ a „false negative“. Možná by bylo dobré zvolit jinou metriku (např. počet událostí, průměrná délka události, shoda detekované a anotované události v čase). Chybí souhrnný výsledek detekce události. Porovnání dosaženého AHI indexu s referencí je dobrá cesta, nicméně MSE metrika je nevhodně zvolena. Lepší by byla střední absolutní chyba. Opět chybí souhrnné hodnocení detekce z pohledu AHI. Z pohledu klasifikace je výsledek opět nedostatečně podepřen. Autor sice uvádí úspěšnost mezi 70-80%, ale není zřejmé jestli je tím myšlena klasifikace do čtyř nebo pěti tříd, jestli je to úspěšnost pouze klasifikátoru, nebo celého algoritmu včetně detekce spánkových událostí. Na závěr bych konstatoval, že zadání práce je na BP poměrně komplikované a komplexní. Student se svého úkolu zhostil poměrně dobře z pohledu programování a práce s daty. Nicméně vidím obrovské mezery ve vysvětlování postupů a prezentaci výsledků svojí práce. V práci je spoustu míst, které by stálo za detailnější vysvětlení, případně jinou formu prezentace výsledků. Z těchto důvodů bych doporučit práci přepracovat a obhajovat znovu v nejbližším možném termínu.
eVSKP id 159684