MALINA, O. Automatická detekce stresu pomocí non-EEG biologických signálů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Student Ondřej Malina se ve své práci zabýval automatickou detekcí stresu. V teoretické práci student definuje a popisuje stres z mnoha pohledů. Student se také podrobně věnuje metodám automatické detekce stresu publikovaným v odborné literatuře. Teoretická část práce je na vysoké úrovni, nemám kritické připomínky. V praktické části jsou nejprve popsána využitá data pocházející z Non-EEG Dataset for Assessment of Neurological Status. Samotná klasifikace je založená na fuzzy klastrování metodou c-means, jejíž parametry byly v průběhu práce optimalizovány. Pro finální klasifikaci signálu je zvolena metoda SVM. Navržený algoritmus byl otestován na trénovací i testovací sadě dat. Bylo řešeno několik klasifikačních úloh – detekce přítomnosti jakéhokoli stresu a následně pak klasifikace stresu na fyzický, psychický, kognitivní a emoční stres. Ve většině těchto klasifikačních úlohách je velmi nízká dosažená senzitivita. V práci postrádám uvedení výsledků na trénovacích datech (předpokládám, že uvedené výsledky vznikly na testovací sadě, byť to není v práci uvedeno). Zadání práce považuji za splněné. V průběhu semestru student konzultoval práci dle potřeby, na konzultace chodil připraven. Přesto celou praktickou část práce student psal na poslední chvíli, což se projevuje ne úplně detailním popisem realizované metodiky a dosažených výsledků. Nad rámec povinností student publikoval článek na studentské konferenci EEICT. Navrhuji známku B, 80 bodů.
Student Ondřej Malina vypracoval bakalářskou práci na téma Automatická detekce stresu pomocí non-EEG biologických signálů. První kapitola obsahuje přehledný úvod do problematiky stresu. Jedná se o velmi dobře sestavený text vycházející z několika vhodně zvolených literárních pramenů. Druhá kapitola je věnována metodám automatické detekce stresu. Jedná se o rešerši z 5 článků. Každý jednotlivý postup je podrobně popsán: měřené veličiny, průběh měření, počet měřených subjektů, postup metody, vyhodnocení detekce, případně s diskuzí. Třetí kapitola je popisem praktické části studentovy práce, která obsahuje návrh a realizaci detektoru založeného na fuzzy shlukové analýze c-means a metod strojového učení SVM a logické regrese. Postup práce je přehledně uveden v blokovém schématu a po částech popsán. Tento popis je místy relativně stručný. Popis algoritmu by si zasloužil větší prostor (celá kapitola 3.2). V podkapitole 3.3 nejsou uvedeny vztahy pro výpočet senzitivity, specificity a přesnosti. Jsou zde pouze hodnoty vyčísleny a uvedeny jako výsledné hodnoty v tabulkách pro detekce různých typů stresů. Výsledná specificita u většiny algoritmů vychází okolo 90%, ale senzitivita je nízká. Pořadí parametrů (senzitivita a specificita) je v tabulkách a v textu v různém pořadí, což znesnadňuje rychlou orientaci v textu pro srovnávání metod. Výsledky své práce student srovnal s výsledky v článcích využívající stejnou databázi biosignálů, ale bylo použito jiných detekčních metod. Předložená práce přináší zajímavé výsledky. Text je logicky rozvržen, formulace jsou jasné a srozumitelné. Z formálního hlediska je nutno zmínit výskyt gramatických chyb, chybějící písmena či špatné skloňování. Zarovnání u popisku obrázků a tabulek by mělo být vždy na střed (nikoliv občas) a v ideálním případě také odlišit velikost písma popisku, aby byl opticky zřetelně odlišen. Práce s literaturou je dobrá. Předložená práce vypovídá o schopnostech studenta práci pochopit, algoritmizovat a realizovat.
eVSKP id 118331