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 předložil dopracovanou bakalářkou práci. Kladně hodnotím, že student odstranil všechny namítané nedostatky a doplněním práce o podstatné informace, které se týkají praktické části, významným způsobem přispělo ke kvalitě práce. Student otestoval 4 postupy strojového učení k rozeznávání gest horní končetiny. Dosažené výsledky dostatečně podložil a diskutoval. Po formální stránce je práce na vyhovující úrovni. Jedná se tak o zdařilou bakalářskou práci, kdy student splnil všechny stanovené cíle. Navrhuji hodnocení velmi dobře (B – 85).
Předložená práce se zabývá rozpoznáním pohybu z EMG záznamů. Jedná se o přepracovanou verzi dříve neobhájené práce. Práce je členěna do šesti kapitol na 48 stranách. První kapitola práce je věnována vyhodnocení dotazníku, který je zaměřen na důležitost náhrady funkce jednotlivých druhů pohybů u protetických náhrad horní končetiny. Na základě vyhodnocení jsou formulovány základní cíle pro samotné rozpoznání pohybu z EMG záznamů. Ve druhé kapitole je popsán postup úlohy strojového učení, která vede ke klasifikaci pohybu do jedné z vybraných tříd. Tento postup zahrnuje extrakci příznaků s následnou klasifikací. Postup extrakce příznaků obsahuje relevantní množství příznaků, škodou je, že příznaky založené na frekvenční analýze nejsou obsaženy v praktické části práce. Pro praktickou část práce byl zvolen dostupný datový soubor obsahující EMG záznamy několika subjektů při vykonávání různých druhů pohybu. Na základě akvizičního protokolu této sady proběhlo měření vlastních dat. Do další analýzy vstupovaly obě datové sady. V rámci předzpracování je otázkou použití úzkopásmového filtru, tak i další filtrace dolní propustí, protože výsledné změny v signálech samotných jsou minimální. V další části jsou prezentovány krabicové grafy vybraných příznaků, které ukazují variabilitu dat pro následnou klasifikaci. Pro samotnou klasifikaci jsou srovnány 4 postupy strojového učení. Nejlepších výsledků je dosaženo pomocí kombinace LSTM+LDA, která byla na základě rešerše původně zamýšlena. Pro samotné ověření klasifikace jsou jako testovací data použita data stejných subjektů jako u trénovacích dat, ale v tomto případě to považuji za správné řešení vzhledem k nízkému počtu subjektů a také kvůli požadované úloze, kdy se aktivní protézy nastavují individuálně na základě měření EMG signálů konkrétního jedince. Předložené výsledky a jejich diskuze jsou v pořádku. Po formální stránce je práce na vyhovující úrovni. V práci je citováno 48 položek, nicméně některé zápisy neobsahují všechny vyžadované informace. Předloženou práci hodnotím jako kvalitní a doporučuji ji k obhajobě. Navrhuji hodnocení velmi dobře (B – 80 bodů).
eVSKP id 161974