BUDÍKOVÁ, B. Automatická detekce fibrilace síní pomocí metod hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Studentka Barbora Budíková se ve své práci zabývá návrhem a implementací konvoluční neuronové sítě pro klasifikaci fibrilace síní. Konstatuji, že studentka k práci přistupovala aktivně, pravidelně dílčí kroky konzultovala a projevila schopnost samostatné práce na odborné úrovni odpovídající magisterskému studiu. Práce je podložena adekvátní odbornou literaturou. Drobné výhrady mám jen k nekritickému převzetí některých obecných tvrzení z oblasti teorie hlubokého učení, které mohly být hlouběji diskutovány z pohledu cílů práce. Také výsledný model mohl být podroben hlubší optimalizaci, a to zejména z pohledu jeho regularizace. Formální stránka odpovídá požadavkům kladeným na závěrečné práce s mírným výskytem typografických chyb či nestandardního formátování. Celkově však práci i přístup studentky hodnotím pozitivně. Všechny body zadání byly splněny a práci doporučuji k obhajobě s hodnocením 90 b.
Předložená diplomová práce se zabývá návrhem a implementací metody pro automatickou detekci fibrilace síní v EKG s využitím konvoluční neuronové sítě. Práce má dobře členěnou logickou strukturu. Text je čitelný a srozumitelný. Literární rešerše se opírá o rozsáhlý seznam relevantní literatury a obsahuje veškeré informace důležité pro pochopení problematiky a praktickou realizaci vybraných metod. Pro samotnou detekci fibrilace síní studentka vybrala 16vrstevní síť, kterou trénovala s použitím 12svodových EKG z dostupné databáze. Oceňují to, že studentka nakonec implementovala nejenom binární klasifikaci dat (fibrilace síní vs. ostatní), ale také klasifikaci do 3 kategorií (fibrilace síní vs. sinusový rytmus vs. ostatní arytmie). Je známo, že některé arytmie mají podobné projevy v EKG jako fibrilace síní a také, že některé signály se sinusovým rytmem se jeví jako EKG s projevy fibrilace síní, např. kvůli přítomným artefaktům či extrasystolám. Vícekategoriální klasifikace tak může být úspěšnější než binární z hlediska detekce fibrilace síní. Kladně hodnotím snahu studentky o optimalizaci hyperparametrů navržené sítě. Některé aspekty by si však zasloužily větší pozornost. Např. pro hodnocení reálného přínosu využití augmentované trénovací množiny a váhované kriteriální funkce by bylo vhodné implementovat a otestovat postup nezahrnující tyto dvě techniky. Z hodnot F1-skóre a přesnosti, vypočítaných při trénování a testování, lze s velkou pravděpodobnosti soudit o přeučení modelu (což studentka sama zmiňuje v diskuzi). Bohužel však nebyly podniknuty žádné kroky k tomu, aby se přeučení zabránilo. Pro detailnější rozbor výsledků klasifikace do tří kategorií by bylo vhodné odvodit F1-skóre a přesnost zvlášť pro každou kategorii, nejenom pro fibrilaci síní. Průměrné F1-skóre a přesnost pak měly být použity při porovnání se studiemi, v nichž byla také implementovaná klasifikace do více kategorií. Při popisu signálů zařazených modelem do chybné kategorie by bylo zajímavé uvést všechny patologie, které se dle dostupných anotací vyskytují v daných signálech. Dosažené výsledky jsou srovnatelné s výsledky z jiných relevantních studií. Výstupy jsou přehledně dokumentovány s využitím velkého množství tabulek a grafických ukázek. Dílčí aspekty, včetně výhod a limitací metod, jsou studentkou vhodně diskutovány. Po formální stránce je práce na dobré úrovní. Za hlavní nedostatky považuji chybějící jména autorů u publikace, ze které autorka čerpala inspiraci, a použití pojmů, jako je Bayesiánská optimalizace a imbalance dat. Zadání práce je splněno v plném rozsahu. Práci hodnotím stupněm A/90 b.
eVSKP id 126829