LICHTBLAUOVÁ, A. Interpretace učebního procesu klasifikátoru fibrilace síně [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Studentka Anna Lichtblau předložila přepracovanou bakalářskou práci na téma “Interpretace učebního procesu klasifikátoru fibrilace síně” s cílem vyhodnotit rozlišnosti v učebních klasifikátorů do 3, resp. 4 skupin s důrazem na rozlišení mezi paroxysmální a persistující fibrilací síně (FS). Práce je zpracována na 56 stranách textu (úvod-závěr), tedy o 20 stran více než původní práce (nyní jsou podpůrné grafy výsledků přítomny v rámci textu a nikoli v přílohách). Teoretická část práce vychází z předchozí odevzdané semestrální práce, která byla zpracována poměrně dobře. Vybraná témata rešerše většinově se zadáním souvisí, ocenila bych systematičnost při výběru nejaktuálnějších přístupů na základě četnosti publikovaných prací. V praktické části práce autorka implementovala 2 modely, jejichž architektura vychází z dostupné literatury. Oproti původní verzi práce se již autorka zmiňuje o dílčích výsledcích práce. Jde ale především bohužel o slovní popis, navíc v některých částech velmi vágně až nedbale formulován. Textový popis postrádá podporu jak v grafické tak tabulkové podobě, uvedené přílohy nejsou dostačující. Vágní formulace se bohužel stále vyskytují i v jiných částech textu. Způsobilost jednotlivých modelů třídit zadané kategorie odpovídá předpokladu, jde o poměrně složitý problém, a autorka diskutuje jak složení datasetu, tak použitou architekturu a parametry učení. Není vysvětleno, proč se při skládání konvolučních vrstev za sebe jedná o vzestupnou a následně sestupnou sekvenci velikostí filtrů (což není obvyklé). Je škoda, že se autorka práce nepokusila o vlastní invenci a u obou modelů zůstala u konkrétního řešení, které je přímo uvedeno v literatuře (včetně hyperparametrů modelu). Po formální stránce se kvalita práce zlepšila, je zřejmé že autorka se již držela zadané šablony. Překlepy místy přetrvávají, výtky ohledně seznamu literatury (nejednotnost, chybějící odkaz) byly odstraněny. Ani při vypracování druhé verze práce autorka nevyužila řádné konzultace, pouze jednou zaslala průběžnou verzi, na mé doplňující dotazy již neodpověděla. I přes zmíněné formální a jiné nedostatky práce splňuje parametry zadání a oproti předchozí verzi zaznamenala pozitivní posun. Práci doporučuji k obhajobě s hodnocením D, 65 bodů.
Studentka Anna Lichtblau vypracovala bakalářskou práci na téma interpretace učebního procesu klasifikátoru fibrilace síní. V prvních dvou kapitolách se autorka věnuje teoretickému pozadí původu fibrilace síní a komponentám neuronových sítí. Až na anglické popisky v jinak česky psané práci u některých obrázku (2.7, 2.8, 2.9) nemám k těmto kapitolám větších výhrad. Ve třetí kapitole pokračuje autorka výčtem používaných metod pro detekci fibrilace síní ze signálů EKG. Tato kapitola vytváří celistvý obraz o úspěšnosti řešení zadaného problému pomocí různých přístupů. V kapitole 4 autorka popisuje databázi signálů se kterou pracovala. I přes to, že uvádí, že se v databázi nachází až 30 různých patologií, konkrétně jmenuje jen malý zlomek. Autorka zmiňuje použití filtrů pro odstranění síťového rušení a kolísání izolinie. Tento krok je v kontextu následného zašumění s cílem augmentace dat a použití konvoluční neuronové sítě jako klasifikátoru nadbytečný. Při úpravě délky signálu uvádí autorka, že nejvyšší pravděpodobnost zachycení paroxyzmu FS je uprostřed signálu, což je v rozporu s faktem, že paroxyzmus je z definice náhodný, a tudíž se může v signálu vyskytnout kdekoli. Pro kratší signály volí autorka postup zahrnující prodloužení nulami na konci signálu. Vychází při tom ze zdroje, který se zpracovávanou tématikou souvisí jen velice okrajově. Chování klasifikátoru při práci se vstupem doplněným o nuly není dále nijak diskutována. Kapitola 5 se věnuje návrhu dvou modelů pro klasifikaci srdečního rytmu do tří a čtyř kategorií. Autorka zde popisuje počet filtrů použitých v konvolučních vrstvách, který stoupá s výjimkou poslední vrstvy. Důvod tohoto kroku není nikde popsán. Jak již zaznělo v prvním posudku, autorka uvádí běžně používané hodnoty batch size (32,64,128), aby v dalším kroku zvolila hodnotu, která neodpovídá ani jedné z nich (60). Parametry učení neuronové sítě nechává v původním nastavení i přes to, že by mohly mít potenciál značně zlepšit výsledky klasifikace. V podkapitole 5.3.4 je uvedeno, že s narůstajícím počtem skrytých vrstev dochází spíš k přeučení sítě. Podklady pro tento výrok nejsou nikde dokumentovány. Je uvedeno, že velikost prvního filtru je 100, což je v rozporu s kapitolou 5.2, kde je uvedeno 50. Proces výběru dalších parametrů sítě je popsán jako „víceméně náhodný“. V podkapitole 5.3.5 autorka uvádí, že se zvyšující se hodnotou batch size docházelo i ke zvýšení úspěšnosti klasifikace. Tento výrok dále experimentálně nereflektuje. Výsledky práce jsou přehledně prezentovány prostřednictvím odpovídajících grafů a tabulek. Autorka se vyjadřuje k možnému přetrénování sítě, které zamítá se slovním hodnocením, které není ničím podložené. Diskuze na téma zdroje chyb v závislosti na různých patologiích, kterých je v databázi až 30 (viz výše), je hrubě nedostatečná. Diskuze neobsahuje celistvé srovnání s dostupnou literaturou. Vzhledem ke zlepšení formální stránky práce a přehlednější prezentaci dosažených výsledků hodnotím i přes ostatní nedostatky, značnou inspiraci použitou literaturou a absenci větší autorčiny invence stupněm E, 54 bodů a přikládám otázky k obhajobě.
eVSKP id 153828