MÜLLER, J. Detekce začátku a konce komplexu QRS s využitím hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Student Jakub Müller se zabýval automatickým měřením šířky komplexu QRS. Práce obsahuje celkem čtyři teoretické kapitoly. První dvě kapitoly zabývající se srdcem a umělými neuronovými sítěmi jsou obecné, místy zbytečně podrobně rozebírají tématiku, která se práce příliš netýká, a naopak techniky použité v praktické části práce zde nejsou zmíněny. Např. popis QRS komplexu, klíčového pojmu celé práce je stručný a fakticky nepřesný. Třetí kapitola popisuje dříve publikované práce zabývající se stejnou problematikou jako tato diplomová práce, kapitola 4 je potom rešerše veřejných databází použitelných pro vypracování praktické části práce. Tyto kapitoly jsou klíčové pro další vypracování praktická části práce. Celkově je teoretická část práce na dobré úrovni. V praktické části student pracoval s daty z pěti veřejně dostupných databází, což vzhledem ke specifikům jednotlivých databází vyžaduje velké úsilí při předzpracování dat pro použití při trénování sítě. Student vytvořil hlubokou neuronovou síť typu U-Net. Dosažená přesnost je na čtyřech databázích vynikající. Detekce v datech z databáze QTDB je ale výrazně méně přesná. Není jasné, proč se tak stalo, data v QTDB by se neměla výrazně lišit od ostatních databází a studentem uvedené důvody tak nepovažuji za hlavní příčinu chyb v této databázi. V praktické části vidím 2 nejasnosti, které by bylo dobré opravit/lépe vysvětlit: 1. Student během předzpracování přepočítává vstupní EKG na rozsah od 0 do 1. Z obrázků v práci (obr. 5.2 a 5.3) ale vyplývá, že se to úplně přesně nepovedlo – rozsah není od 0 a navíc mírně přesahuje jedničku. 2. Při porovnání s jinými autory student využívá metriky Se a PPV, kde využívá šířku tolerančního okna 5 ms. Vzhledem k výsledkům v tabulkách 6.4 a 6.5 to vypadá, že jiní autoři použili jiné toleranční okno a porovnání s nimi tak nelze korektně udělat. Při zvolení stejného tolerančního okna by byly nejspíš výsledky studentova algoritmu lepší než uvedené. Jazyková úroveň práce je na dobré úrovni, práce obsahuje pouze malé množství překlepů a gramatických chyb. Student během práce prokázal schopnost samostatné práce, ačkoli práci konzultoval méně často, práce kompletně splnila zadání, navrhuji známku B, 80 bodů.
Student Jakub Muller se ve své diplomové práci zabýval využitím hlubokého učení pro detekci začátku a konce QRS komplexu. V teoretické části práce se věnoval popis srdeční činnosti, neuronových sítí, hlubokému učení, použitým databázím a také představením vybraných metod pro detekci segmentů QRS používaných jinými autory. Část popisující srdeční činnost je zbytečně obsáhlá a naopak podstatné informace pro řešenou problematiku, jako jsou detailní informace o QRS komplexu, jsou zde popsány nedostatečně. Ostatní části teoretické části práce jsou sepsány vhodně. V praktické části práce se student mimo návrhu klasifikačního modelu musel vypořádat i vhodnou přípravou dat, které následně použil k trénování, validaci a testování modelu. Charakter dat v použitých databázích je často velmi rozdílný a je tedy jisté, že student musel do přípravy dat investovat opravdu velké množství času. Návrh hluboké neuronové sítě typu U-Net pro detekci komponent QRS komplexu je v práci vhodně a srozumitelně popsán a doplněn vysvětlujícími ilustracemi. Student otestoval úspěšnost detekce QRS komplexů a také začátků a konců QRS komplexu. Pro všechny testované parametry navržená metoda dosáhla na všech databázích (kromě databáze QTDB) skutečně dobrých výsledků. Pouze mi není jasné, jak mohlo dojít k tomu, že výsledky pro databázi QTDB jsou o tolik horší, jelikož data by neměla být významně odlišná od ostatních databází. Po formální stránce je práce na dobré úrovni, text je psát čtivě a srozumitelně a je dobře strukturován. Práci považuji za velmi zdařilou, hodnotím ji stupněm A, 90 bodů.
eVSKP id 159760