MARTINÁSKOVÁ, K. Lokalizace fibrilace síní pro vyhodnocení zatížení pacienta [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Klára Martinásková se ve své diplomové práci zaměřila na lokalizaci fibrilace siní v EKG. Rešerše je zpracována s využitím velkého množství relevantní literatury a je kvalitní. Pro lokalizaci úseků s FIS studentka zvolila klasifikační přístup s využitím umělé neuronové sítě ResNet, jejíž parametry se snažila optimalizovat. Výstupy klasifikátoru následně zpracovala pomocí souboru pravidel, což přispělo ke snížení počtu falešně pozitivních detekcí a zpřesnění následné lokalizace začátků a konců FIS. Výsledky tohoto kroku se zdají být slibné, ale takto jednoduchý postup by mohl být při testování na variabilnějším souboru pacientů neefektivní. Získané výsledky nelze korektně porovnat s jinými dostupnými zdroji, jelikož odpovídající testovací soubor není k dispozici a studentka vytvořila svůj testovací vzorek z dostupné množiny dat. Některé dílčí kroky nejsou v práci doloženy. Ačkoli studentka testovala několik modelů s různým nastavením hyperparametrů a různou délkou segmentů EKG, výsledky tohoto srovnání nejsou prezentovány. Analýza výstupů ukázala limity použitého postupu, které studentka následně diskutuje. Zadání práce považuji za splněné. Kvalitu práce zbytečně snižují nečitelné popisky os u některých grafů a překlepy v textu. V průběhu semestru byla studentka aktivní, na konzultace byla vždy připravena, pracovala samostatně. Hodnocení: C/74 b.
Studentka Klára Martinásková vypracovala diplomovou práci, ve které se zabývá lokalizací fibrilace síní v elektrokardiografických datech. Práce začíná obsáhlou kapitolou popisující fibrilaci síní. Až na drobné nepřesnosti v textu bych vytkl především čerpání z neaktuálních zdrojů (především zdroj [84] starý 14 let). Druhá kapitola se věnuje popisu metod umělé inteligence a neuronových sítí. Společným rysem obou teoretických kapitol je jejich nadměrná délka. Text je ve většině času velice obecný a neodpovídá úrovni diplomové práce. Některé pasáže by se daly označit za zcela nadbytečné. Zavádějící jsou také přiložené snímky 2.5, 2.6, 2.8 a 2.10 na kterých jsou schematicky vyobrazeny prvky z 2D konvolučních sítí, které nejsou v práci nijak využívány. Kapitola 3 obsahující popis datasetu je poměrně zdařilá. Z textu, tabulek a grafů je dobře znatelné rozdělení dat do dílčích skupin a čtenář získá dobrou představu o použitých datech. Zde opět jen formální výtka ke snímkům 3.3-5, jejich popisky os jsou poměrně malé a zároveň je vykreslen příliš dlouhý časový úsek, kde tolik nevynikne rozdíl mezi sinusovým rytmem a FiS. Data jsou později správně rozdělena na trénovací, testovací a validační množinu. Kapitola 4 popisuje metodologii tvorby modelu hlubokého učení. Ta neodpovídá moderním trendům použití hlubokých sítí. Jednak jsou zde popsány kroky, které nejsou ve výsledku použity (podkapitola „Podvzorkování“) nebo jsou zde použity postupy, které jsou při nejmenším diskutabilní (podkapitola „Filtrace“). Z přiloženého kódu je patrné, že síť pro svou funkci využívá celkem 246 266 152 trénovatelných parametrů. V kontextu s tabulkou 3.1, ve které je uvedeno, že k dispozici bylo cekem 706 záznamů mediánové délky 5.95 minut při vzorkovací frekvenci 200 Hz, tudíž celkem 50 408 400 vzorků signálu, kdy na trénování bylo použito 70 % dat (= 35 285 880 vzorků) zjistíme, že vytvořená síť používá cca sedminásobek vah oproti počtu trénovacích vzorků. Tento fakt vede k hypotéze, že model bude mít tendenci se přeučovat, což lze podložit i snímkem 4.4, na kterém je vidět, že síť dosáhla nízké chyby po první epoše učení a dále se nijak nezlepšovala. Problém s přeučením měla studentka pravděpodobně na paměti – v modelu jsou často používané vrstvy provádějící batch normalizaci, a i použití ReLU aktivační funkce může být považováno za formu regularizace, ale jiné metody (dropout, L2, …) nejsou v textu ani v kódu uvedeny. Vzhledem k nepoměru velikosti datasetu a použité sítě se nabízí využít metody augmentace datasetu, které by mohly přeučení předejít. O těch se ale práce nezmiňuje. Při snaze stanovit počátek a konec FiS jsou signály rozděleny na 3 sekundy dlouhé úseky s překryvy, ve kterých se hledá změna klasifikace ze sinusového rytmu na FiS. Z metodologie vyplývá, že samotné určení počátku a konce je více závislé na délkách použitých segmentů a velikosti překryvu. Tato skutečnost, ale není ve výsledcích jakkoli experimentálně doložena. Po formální stránce je práce psaná velice obecně a někdy působí až rozvláčným dojmem. Práce čerpá celkem z 84 zdrojů. I přesto, že je práce po formální, a především metodologické stránce velmi slabá, je zadání práce v hrubých obrysech splněno. Práci hodnotím stupněm E, 55 bodů.
eVSKP id 159757