POTOČŇÁK, T. Klasifikace srdečních cyklů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2013.
Práce je věnována automatické klasifikace EKG snímaných v průběhu experimentů na izolovaných zvířecích srdcích. Student prostudoval rozsáhlou literaturu z oblasti klinické elektrokardiografie a počítačového zpracování EKG a využil těchto poznatků při návrhu nových postupů pro klasifikaci EKG. Při návrhu a implementaci algoritmů prokázal schopnost samostatně řešit dílčí problémy. Oceňuji mimořádně aktivní přístup studenta, který se kromě zpracování a analýzy dat podílel také na tvorbě softwaru pro hodnocení a rozměřování EKG lékaři. Dílčí výsledky práce byly úspěšně prezentovány na mezinárodní konferenci Computing in Cardiology a také studentské soutěži EEICT. Předložená práce splňuje všechny požadavky zadání. Hodnotím ji jako vynikající.
Cílem práce byl návrh a realizace metody klasifikace cyklů EKG do dvou tříd - ischemických a neischemických cyklů. Vstupem byly ortogonální elektrogramy pořízené na izolovaných srdcích pokusných zvířat s uměle vyvolanou ischémií. V úvodu práce jsou stručně popsány některé patologické projevy humánního EKG doplněné o obecné poznámky o předzpracování a klasifikaci humánních signálů EKG. Pokud jde o tyto obecné poznámky, výhradu lze mít l poznámce o rušení signálů EKG myopotenciály, jejichž spektrální vlastnosti jsou zcela jiné, než uvádí autor na str.11. Z pohledu zaměření předložené práce je nejzajímavější kap.3.2 o tvorbě příznakových vektorů. Stručně popisuje vzájemná koherenční spektra, analýzu hlavních komponent (PCA), metodu singulárního rozkladu (SVD) a následně klasifikaci s využitím vícevrstvé neuronové sítě; protože všechny tyto uvedené metody použil ve svých experimentech, zasloužily si podle mne trochu podrobnějšího zpracování, zejména PCA a SVD a to i za cenu zkrácení některých obecných částí. V úvodu realizační části práce autor popisuje způsob pořízení, vlastnosti a ukázky elektrogramů, které mu byly poskytnuty ke zpracování. Ke klasifikaci navrhl hned několik metod, jak je patrné z blokových schémat na str.23-24. Příznakové vektory vytvářel z kompresní metody založené na PCA s variantou doplněnou o intervaly RR, dále pomocí vektoru vzájemného koherenčního spektra dvojice ortogonálních svodů s variantou doplněnou o kompresní metodu PCA. Výběr netradičních, ale moderních metod hodnotím velmi kladně. Výsledné příznakové matice výstižně ilustroval na 3D obrázcích na str.30 až 35. K vlastní klasifikaci použil třívrstvou neuronovou síť s různě zvolenými charakteristikami neuronů v jednotlivých vrstvách (str.38). Výsledky hodnocení všech použitých typů klasifikačních algoritmů uvedl přehledně v tabulce na str.42. Úroveň této části práce je vysoká, k volbě použitých metod, jejich realizaci a k hodnocení získaných výsledků nemám připomínky. Přes některé připomínky ke zpracování úvodní části hodnotím práci jako výbornou.
eVSKP id 65874