BARTOŠ, D. Stanovení kvality a tepové frekvence ze signálů PPG snímaných z obličeje pomocí chytrého telefonu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Bakalářská práce Daniela Viliama Bartoše je aktuální a poměrně obsáhlá jak po teoretické, tak po praktické stránce. Student v práci nasnímal experimentální data a reference od 11 dobrovolníků v klidu a po fyzické aktivitě. Vytvořil dvě metody pro stanovení kvality PPG a celkem čtyři metody pro stanovení tepové frekvence. Tyto metody i výsledky jsou v práci poměrně podrobně popsány. Přesnost stanovení TF je vyhodnocena jak v klidu, tak po fyzické aktivitě a také s ohledem na kvalitu dat. Tím je napraven zásadní nedostatek předchozí verze práce a splněn tak kompletně 6. bod zadání. Přesto mám k práci některé drobnější výtky, které se nepodařilo napravit ani v nové verzi práce. Abstrakt je velmi stručný a postrádá důležité informace. Z protokolu měření nejsou zřejmé některé důležité informace jako je např. ohnisko objektivu kamery, výšková pozice kamery vzhledem k obličeji měřeného, světelné podmínky v okolí. Popis automatické detekce obličeje byl oproti původní verzi práce velmi stručně, avšak stále nedostatečně, doplněn. Když už si student dal práci s testováním různých nastavení modelů, je škoda, že má v práci jen některé výsledky a některé závěry pouze konstatuje bez podložení výsledky. Od úvodu po závěr práce čítá solidních 52 stran. Je logicky členěna až na kapitolu 10, která by se lépe hodila do teoretické části práce. Seznam literatury čítá 49 relevantních položek, z nichž 13 časopiseckých zdrojů je z posledních 5 let. Citace jsou místy nekonzistentní. Práce obsahuje některé gramatické chyby či překlepy, které však výrazněji nesnižují její čitelnost, a část byla rovněž odstraněna oproti původní verzi. Student pracoval samostatně a svou práci konzultoval minimálně. Zadání práce je splněno a práci doporučuji k obhajobě.
Student Daniel Bartoš vypracoval bakalářskou práci zaměřenou na zpracování signálů PPG snímaných kamerou mobilního telefonu. Teoretické kapitoly práce jsou přehledně členěny a srozumitelně sepsány. Našla by se místa, kde by bylo možné popis zestručnit ale je jich malé množství. V teorii se také objevují performance metriky, které nejsou v práci nijak využity (Specificita, Senzitivita, F1 skóre). Student naměřil vlastní databázi videí, ze kterých extrahoval signály rPPG. Z popsané metodiky není zcela jasné, jak probíhala synchronizace EKG a PPG, když oba signály byly snímány jinými přístroji. Signály jsou předzpracovány a jsou z nich odvozeny příznaky pro model umělé inteligence. Prvotní rozdělení na kvalitní a nekvalitní signály probíhá pouze na základě rozdílu tepové frekvence mezi PPG a EKG. Pro vizualizaci student přikládá snímek 8.4, ze kterého je patrné, že signály by byly jen těžko oddělitelné pomocí prvních dvou komponent. Nabízí se tedy otázka, zdali je tento způsob dělení signálů na kvalitní a nekvalitní vhodný. Při hodnocení úspěšnosti KNN je zmíněno, že byly zvoleny různé kombinace příznaků, to, ale není v práci ani přílohách doloženo. Pomocí statistického testu je ukázáno (tabulka 8.1), že některé příznaky by samy o sobě mohly mít dobrou diskriminační vlastnost, tato skutečnost, ale není nikde reflektována. Předchozí nedostatky byly do této verze doplněny. Celkově lze práci hodnotit jako zdařilou. I přes drobné formální nedostatky a nesrovnalosti v metodice navrhuji hodnocení B, 80 bodů.
eVSKP id 161970