KINDL, Z. Klasifikace akcelerometrických dat v rámci pacientského záznamu EKG [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Student Zdeněk Kindl předložil k hodnocení bakalářskou práci na téma „Klasifikace akcelerometrických dat v rámci pacientského záznamu EKG“ Práce obsahuje 45 stran testu, 26 obrázků a 46 citací. V rešeršní části se autor věnuje zejména popisu principů a typů neuronových sítí a následně analyzuje dvě práce, které se věnovaly podobnému tématu. Samotné klasifikaci akcelerometrických dat v rámci záznamu EKG jsou věnovány pouze dvě stránky. Praktické části práce je věnováno 14 stran, z nichž téměř polovina se zabývá popisem sběru dat. Na straně 36 je stanoven cíl "naučení neuronové sítě nejen na ideální pohyby, ale i na pohyby z běžné praxe a činnosti člověka," od tohoto cíle ale bylo během zpracování dat upuštěno a trénink neuronové sítě byl nakonec zjednodušen na tři úrovně pohybové aktivity (klidový režim, mírná aktivita a vysoká aktivita). Autor v práci nezmiňuje postupy pro přípravu dat pro trénink neuronové sítě a nikde neuvádí přípravu validačních dat. Kromě matic záměny nejsou nikde v práci prezentovány výsledky úspěšnosti neuronové sítě. V práci chybí popis aplikace a způsob spuštění ze zadání (bod 4). Přiložené zdrojové kódy Python skriptů nejsou dostatečně dokumentované. V rozporu s názvem práce nejsou EKG data nikde použita při tréninku neuronové sítě a ani diskuze není v tomto aspektu adekvátní. Kromě výše uvedených připomínek k praktické části lze práci vytknout i nekvalitně zpracovaný teoretický základ a gramatické nedostatky. V první polovině akademického roku student pracoval svědomitě, nicméně v posledním semestru student práci konzultoval pouze jednou a tato změna přístupu se projevila na celkové kvalitě práce. Práci doporučuji k obhajobě a hodnotím stupněm D (65 bodů) Výsledný počet bodů navržený vedoucím: 65 Známka navržena vedoucím: D
Student Zdeněk Kindl vypracoval bakalářskou práci, ve které se zabývá klasifikací akcelerometrických dat pomocí EKG. Práce již od prvních stran působí neuceleným, místy až zmateným dojmem. Členění a náplň kapitol není zcela intuitivní a čtenář se může v textu lehce ztratit. V rámci teorie je popsáno mnoho metod, které nejsou v praktické části využity, a tudíž tvoří jen textovou výplň v práci. Model, který je nakonec použit v praktické části je v teoretické části vysvětlen jen okrajově. Student vytvořil databázi signálů, kterou následně používá pro trénování modelu. Popis měření dat je v práci dobře popsán. V praktické části byla měřená data rozdělena do tří skupin podle úrovně aktivity. S cílem, predikovat úroveň aktivity student volí nepřiměřeně složité řešení – model LSTM (i přes to, že snímek 7.2 ukazuje, že úroveň aktivity souvisí s lokální směrodatnou odchylkou v signálech). V kapitole chybí jakékoli křivky učení modelu, výsledky na trénovací skupině nebo zdůvodnění volby hodnot některých hyperparametrů. Důvodem nepřítomnosti těchto údajů je pravděpodobně zmiňovaná časová náročnost, která souvisí se složitostí řešení. I přes komplexní architekturu dosahuje úspěšnosti kolem 85 %. Po formální stránce obsahuje práce velké množství výplňkového textu. Naprostá většina grafů má nečitelné popisky os, pokud popisky má. I přes velmi slabou formální stránku a pochybně zvolenou metodologii lze považovat cíle práce v hrubých obrysech za splněné. Práci hodnotím stupněm E, 55 bodů.
eVSKP id 159699