PELYPENKO, I. Rozpoznávání pohybů aktivní protézy horní končetiny pro moderní potřeby. [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Student se ve své práci zabýval rozpoznáváním gest ruky z EMG signálů. Student měl za úkol navrhnout a realizovat vhodnou metodu pro rozpoznávání gest z EMG signálů z veřejně dostupné databáze. V průběhu řešení jsme se rozhodli, že vypustíme bod 5) Implementace algoritmů na protézu, a místo něj zařadíme bod, který se bude týkat vlastního měření signálu, aby bylo možné databázi rozšířit. Rozšíření databáze rovněž vede k větší variabilitě signálů, což je výhodné pro učení neuronových sítí. Student ke své práci přistupoval aktivně, rovněž využíval konzultací. Také projevil samostatnost při řešení dílčích problémů. Vytyčené cíle se podařilo splnit a zadání práce tak považuji za splněné. Bohužel i přes velkou aktivitu a pozitivní přístup studenta k praktické stránce práce v textu práce nejsou uvedené konkrétní praktické postupy, ukázané dílčí řešení jako je například to, jak vypadá signál před a po filtraci a další praktické ukázky. S přihlédnutím k těmto skutečnostem hodnotím práci 60/D.
Předložená práce pojednává o zpracování a klasifikaci EMG záznamů za účelem rozpoznání pohybu. Práce je členěna do šesti kapitol, názvy kapitol odkazují na jednotlivé body zadání. Rozsah práce je z mého pohledu velmi nízký - po odečtení prázdných stran vychází někde okolo 20 stran. V rámci teoretické práce je čtenář seznámen s analýzou studie “The most common function of the upper limb nowadays”. Z textu práce není přímo jasné, jak se student na této studii podílel - zda zpracoval výsledky nebo přímo oslovoval účastníky. Zároveň není jasné, jak byli účastníci vybíráni (dobrovolníci, přímo osloveni, aj.). Chybí i reference na tuto studii. Druhá kapitola popisuje problematiku měření EMG signálu. V této části postrádám některé důležité parametry EMG signálů a systémů - používané vzorkovací frekvence, požadavky na zesílení, rozsah užitečných frekvencí, a další. Podkapitola “Feature extraction” sice zmiňuje existenci různých druhů příznaků, ale popsáno jich je pouze sedm a to pouze z časové oblasti (z nichž šest je následně využito). V rámci rešerše bych čekal i popis příznaků z frekvenční oblasti. Matematický popis příznaků ukazuje na výpočet jednoho příznaku z daného úseku EMG signálu jako celku, což je ale v rozporu s textem v kapitole 3.3, ve které je uvedeno použití okna (byť nijak definovaného) - “sliding window”. V rámci popisu klasifikátoru v kapitole 2.3 chybí teoretický popis zvolené architektury, která je dále použita v praktické části práce. V kapitole 3 je diskutován postup pro zpracování EMG signálu. Nemůžu souhlasit hned s první větou, že zvolené pohyby byly určeny na základě studie v kapitole 1. Tyto pohyby byly vybrány proto, že je k nim dostupná veřejně dostupná databáze signálů z roku 2014, kterou student používá. Podkapitoly 3.2 a 3.3 popisují implementaci základní filtrace signálů a extrakce příznaků. Tato kapitola už je součástí praktické části práce. Bohužel v celé práci není ani jediná ukázka EMG signálu, což je až s podivem. V tomto bodě bych ocenil ukázku variability jednotlivých EMG signálů pro různé pohyby, vliv zvolené filtrace na signály, krabicové grafy a deskriptivní statistiku zvolených příznaků. Další kapitola pojednává o zvoleném modelu pro samotné rozpoznání pohybu. Zvolená kombinace se jeví jako vhodná a funkční, ale její popis je příliš strohý. U zvolené sítě (RNN LSTM) by bylo vhodné architekturu ukázat i názorně formou obrázku. Pátá kapitola popisuje použitá data. U signálů z veřejné databáze nerozumím použití filtru typu pásmová propust s horní mezní frekvencí 500 Hz, protože student uvádí použitou vzorkovací frekvenci také rovnou 500 Hz. U měření vlastních signálů postrádám souhlas Etické komise FEKT pro biomedicínský výzkum, pokud měření probíhalo v budovách fakulty, případně s fakultním vybavením. Student píše, že obě databáze spojil k získání jednoho datového souboru. K tomuto mám několik poznámek - student bere u obou skupin signálů 3000 vzorků signálu, ale neřeší konverzi vzorkovací frekvence. U vlastních dat používá vzorkovací frekvenci 2000 Hz (dle kódu), ale v práci je uvedena hodnota 1926 Hz. U veřejně dostupných dat je vzorkovací frekvence 500 Hz – proto při stejné délce signálu budou časové segmenty z této databáze zhruba čtyřikrát delší než u vlastních dat. Tato skutečnost není nikde diskutována a dle mého názoru může ovlivnit výsledky. Navíc student k rozdělení vlastních dat na segmenty po 3000 vzorcích přistupuje značně naivně. Sám tvrdí, že rychlost pohybů byla volena jednotlivými osobami dle jejich uvážení. Takže jednoduchý výběr 90 000 vzorků a rozdělení do 30 úseků po 3000 vzorcích nedává smysl, protože se může stát (a oponent ověřil, že se tak děje), že v jednom segmentu budou části dvou různých opakování pohybu – konec jednoho a začátek následujícího. Některé naměřené signály mají i skoro dvojnásobnou délku (až 180 000 vzorků) a z nich je tedy využita pouze polovina. Šestá kapitola obsahuje jediný graf, na kterém je demonstrováno učení zvolené sítě. Vůbec zde není popsán vliv metody LDA na příznakový soubor. Dále jsou diskutovány výsledky algoritmu – z textu práce se ale čtenář nedozví nic o rozdělení dat na trénovací a testovací data. Není tak jasné, zdali se zvolená síť učila na datech jiných subjektů než byla testována nebo byla data dělena napříč subjekty. Uvedené výsledky se jeví jako dobré, ale řádná diskuze chybí. Není také jasné proč v tabulce na obr. 6.2 jsou různé počty v jednotlivých kategoriích pohybu v testovací databázi (spherical 10, tip 5, palmar 6, lateral 8, cylindrical 9 a hook 6), očekával bych rovnoměrné zastoupení v testovací databázi. K tomuto pokládám ještě otázku oponenta. Po formální stránce vykazuje práce nedostatky. Občas se vyskytují překlepy, některé stránky jsou prázdné. U obrázků 2.1 a 3.1 chybí zdroj. Jednotlivé položky literatury jsou citovány nejednotně, u většiny z nich chybí povinné bibliografické údaje - ISBN, doi, nebo i označení časopisu. Předložené kódy obsahují převzaté funkce z Githubu bez řádné citace (https://github.com/SebastianRestrepoA/EMG-pattern-recognition), část kódů tedy musím považovat za plagiát. Konkrétně se jedná o postupy výpočtu příznaků v časové oblasti (viz přiložený soubor). Z pohledu splnění zadání jsou rámcově jednotlivé body s výjimkou bodu 5, který v práci není nijak komentován. Vzhledem k problémům v implementační části práce - jak práce s daty samotnými, tak i nedostatečné komentování výsledků a postupů, musím práci hodnotit jako nevyhovující a nedoporučuji ji tak k obhajobě. Navrhuji hodnocení F – 25 bodů.
eVSKP id 159709