IMRAMOVSKÁ, K. Detekce komorových extrasystol v EKG [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Diplomantka Klára Imramovská ve své práci navrhla, implementovala, optimalizovala a otestovala algoritmus pro detekci komorových extrasystol v EKG. Na začátku vypracovala velmi rozsáhlou, místy až redundantní, rešerši, založenou na relevantních odborných zdrojích. Pro realizaci zvolila moderní algoritmy hlubokého učení, které se vyznačují obrovským potenciálem v dané oblasti. Vzniklo tak několik modelů pro binární a vícekategoriální klasifikaci srdečních cyklů. Bohužel se studentce nepodařilo překonat problém s přeučením vícekategoriálního modelu. Hlavním důvodem bylo zřejmě nevhodné časové rozvržení práce, kdy tento model byl studentkou zpracován až v poslední fázi a již nezbyl časový prostor pro důkladnou optimalizaci architektury a hyperparametrů modelu. Studentka nad řešením pracovala samostatně a konzultace využívala spíše výjimečně. I proto nebyly odhaleny včas některé nedostatky: a) výběr dat do třetí kategorie, která nakonec kromě blokád ramének obsahovala také zcela odlišný typ arytmie, jako jsou síňové extrasystoly, což mohlo nepříznivě ovlivnit průběh trénování klasifikátoru, b) využití přesnosti při optimalizaci klasifikátoru, přestože je známa nerobustnost dané metriky vůči nerovnoměrnému zastoupení dat v kategoriích, jak je to zmíněno v jedné z kapitol, c) investování příliš velkého úsilí do kroků, které neměly značný vliv na úspěšnost metody, jako např. využití rozdílných postupů pro doplnění vybraných EKG segmentů. Přes uvedené nedostatky studentka odvedla dobrou práci, přistupovala k řešení zadání komplexně a v případě binární klasifikace dosáhla vynikajících výsledků. Všechny cíle práce jsou splněny. Hodnotím práci stupněm B/84 b.
Diplomantka Klára Imramovská se ve své práci zabývá klasifikací síňových (SVES) a komorových (KES) extrasystol pomocí metod hlubokého učení s využitím databáze MIT-BIH. Teoretická část práce zahrnuje jak nezbytný úvod do arytmogeneze, tak podrobný přehled dosavadních metod pro klasifikaci SVES a KES a základů hlubokého učení. Text je poměrně rozsáhlý, místy by však zasloužil vlastní úvahu nad výhodami a nevýhodami jednotlivých metod a přístupů. Ty jsou popsány velmi zkratkovitě, často vágně bez konkrétní specifikace či srovnání, a stylem, který ve čtenáři evokuje dojem snahy rychle splnit zadané cíle. Což se přes uvedené výtky textu nakonec daří. Praktické části je věnováno 44 stran, na kterých se studentka věnuje základnímu nastavení modelu, parametrům učení a výsledkům klasifikace. Obsah je bohužel uměle natahován opakovaným důrazem na nepodstatné informace (zbytečné grafy, hodnocení několika způsobů extrapolace signálu pro umístění do tenzoru, rozsáhlý výčet tabulkových údajů v textu, rozsáhlé výsledky pro evidentně přeučený model, atd.). Konkrétní výtku mám ke zvolenému způsobu standardizace dat. Jakkoliv zřejmě v použitém datasetu působila jako regularizační faktor modelu, bude mít tato transformace negativní vliv na dynamiku signálu a v reálných datech bude příliš citlivá na lokální extrémy. Obr. 4.5–4.11 ilustrují průběhy vždy jen pro jeden konkrétní experiment. Vysoké číslo uvedené metriky (přesnost) je zde navíc dáno vysokým počtem sinusových stahů, které byly poněkud nelogicky označeny jako pozitivní třída. Grafy tudíž nemají z pohledu kvality modelu žádnou informační hodnotu Některé důležité výsledky a parametry v textu naopak chybí – třeba výsledky optimalizace zvolených hyper-parametrů pro jednotlivé modely, parametry optimalizační metody ADAM či způsob nastavení a hodnoty vah kriteriální funkce. Např. správnost volby hyper-parametrů či váhování kriteriální funkce tak není jak ověřit. Diskuze výsledků je vedena velmi laxně. V kap. 4.3.4 je u obrazových ukázek EKG cyklů uvedena spekulace stran správnosti kontrolních anotací. Z obrázků je zřejmé, že některé anotace chybné jsou. Takový závěr, včetně uvedení souvislostí s hodnocením kvality modelu, by ale měla zvládnout studentka sama na základě provedené rešerše. U výsledků je zcela minimálně brána v potaz patofyzologie jednotlivých arytmií, jejich projevů, vztah např. k předzpracování dat či možný spoluvýskyt klasifikačních tříd. Studentka sama přiznává, že optimalizaci převzaté architektury, nastavení optimalizačních algoritmů či kriteriální funkce nebyl věnován velký prostor, což je škoda, protože zejména výsledky modelu pro multi-class klasifikaci mohly vypadat zcela jinak. Celkově je diskuze spíš výčtem statistických parametrů bez hlubšího kontextu a zamyšlení. Technickému aspektu práce by prospělo, kdyby byly model a učení implementovány na nižší úrovni, než poskytuje knihovna Keras. Přes uvedené výtky studentka dosáhla v případě binární klasifikace velmi dobrých výsledků. Evaluace modelu je provedena pomocí vhodných metrik a diskuze této sekce je na akceptovatelné úrovni. Studentka musela prostudovat velké množství (celkem 63) převážně zahraničních literárních zdrojů věnovaných z velké části metodám hlubokého učení, což je téma náročné a rozsáhlé. Formální úprava je na relativně dobré úrovni. Snad jen popisky obrázků by mohly být vysázeny standardním způsobem a nikoliv jako dvousloupcová sazba. Zadání práce bylo splněno v plném rozsahu. Práci doporučuji k obhajobě s hodnocením 74 bodů.
eVSKP id 134417