NAVRÁTILOVÁ, M. Nové metody pro analýzu spánku a klasifikaci [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Slečna Markéta Navrátilová vypracovala diplomovou práci na téma Nové metody pro analýzu spánku a klasifikaci během svého studijního pobytu ve Finsku v Bell Labs. Práci konzultovala s pracovníky: Akos Vetek, MPhil, BEng; doc. Kiti Müller, MD, Ph.D. a Harri Lindholm, MD, Ph.D. Předložená práce obsahuje úvod do neurologie spánku a popisuje jednotlivé spánkové fáze. Následující část obsahuje popis klasifikačních metod. Třetí oddíl obsahuje praktickou část: popis používaných přístrojů a naměřených dat, popis extrahovaných příznaků a klasifikaci spánkových fází. Práce je v anglickém jazyce a splňuje všechny body zadání. Text je logicky rozdělen, jednotlivé kapitoly na sebe navazují a postupy jsou dostatečně popsány. Dosažené výsledky jsou vhodně prezentovány a v závěru práce diskutovány. Výsledky jsou také srovnány s výsledky publikovaných metod. Studentka využívala informace z mnoha literárních pramenů. Po obsahové i formální stránce je práce na velmi dobré úrovni. Předloženou diplomovou práci hodnotím stupněm A/90 bodů.
Předložená práce se věnuje automatickému rozpoznávání spánkových fází s využitím pro tuto oblast „netradičních“ dat (EKG, EDA a RIP) a klasifikátoru typu náhodný les. Práce je logicky uspořádána a čtivá. Obsahuje relevantní informace čerpané z velkého množství literárních zdrojů. Po formální stránce je práce na dobré úrovni s některými nedostatky, jako např. příliš široké tabulky a naopak příliš malé a nečitelné obrázky, chybějící popisky os u některých grafů. Práce je psána v angličtině na slušné úrovni s výjimkou nesprávného slovosledu ve spoustě vět. Studentka vypracovala práci v rámci zahraniční stáže, kde byla součástí vícečlenného týmu. Bylo by tedy vhodné jasně stanovit, co bylo jejím reálným přínosem; na kterých částech se významně podílela (akvizice, zpracování a analýza dat), které metody jenom převzala od kolegů, co čerpala z literatury a které metody jsou zcela originální (týká se např. vypočtených klasifikačních příznaků). Pro zpracování a analýzu dat studentka ve většině případů využila již hotové dostupné knihovny. V tomto případě je ovšem žádoucí uvést v práci informace o metodách použitých pro filtraci a odhad spekter signálů a ověřit správnost fungování metod na vlastních reálných datech. Bohužel v práci chybí ukázky signálů RIP a EDA před a po filtraci. Nelze tak zjistit, jestli v důsledku zpracování nedocházelo ke zkreslení užitečné složky signálů a tím i ke zkreslení hodnot vypočtených příznaků a zhoršení klasifikační úspěšnosti. Postrádám i některé další důležité informace, jako např. detailní popis složení trénovací množiny po augmentaci dat metodou SMOTE. Reálný přínos augmentace dat touto metodou by měl byt doložen porovnáním výsledků klasifikátorů natrénovaných na původních a augmentovaných datech. Např. chybí informace o tom, kolik a které příznaky byly vyloučeny na základě korelační analýzy. Nepovažuji za vhodné vyloučení obou příznaků korelovaných mezi sebou. Tyto příznaky (případně jeden z nich) by stále mohly přispět ke správné klasifikaci dat. U příznaků by v první řadě mělo byt prozkoumáno, jestli obsahují diagnosticky důležité informace (např. z hlediska korelace se spánkovými fázemi). Není zcela jasné, jak byly získány matice záměn a přesnost klasifikace za předpokladu použití 10násobné křížové validace modelu a jak probíhalo rozdělení dat v rámci validace. Předpokládám, že testovací vzory byly tvořeny daty ze všech osob, stejně jako trénovací vzory. Tento přístup ovšem vede k nadhodnoceným, optimistickým výsledkům. Pro korektní hodnocení generalizačních schopností modelu by mělo byt testování prováděno na nezávislém vzorku dat. Velmi kladně hodnotím snahu studentky o vzájemné rozpoznání všech spánkových fázi dle standardu AASM, což je náročné i v případě využití PSG dat. Oceňuji realizaci několika klasifikačních postupů využívajících různých typů dat a použití matice záměn pro reprezentaci výstupu klasifikátorů. Nakonec se studentce podařilo dosáhnout pozoruhodných výsledků, a to i v porovnání s metodami, založenými na PSG datech. Interpretace výstupů metody t-SNE by si zasloužila větší pozornost. Předložené výsledky mají potenciál využití v navazujícím výzkumu v dané oblasti. Práci hodnotím velmi kladně, stupněm B/83 b.
eVSKP id 126841