UHER, D. Reference v intrakraniálním EEG: implementace a analýza [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.
Předložená práce se zabývá metodami odhadu referenčního signálu z intrakraniálních záznamů EEG. Téma vzniklo na pracovišti Centra biomedicínského inženýrství ve Fakultní nemocnici u svaté Anny v Brně. V rámci práce byly studentem otestovány tři různé postupy, přičemž dva z nich jsou založené na metodě nezávislých komponent, která se řádí spíše mezi náročnější statistické metody, a tudíž není obsahem bakalářského studia. Rovněž jako jazyk Python, jehož základům se student musel naučit pro úspěšnou realizaci metod. Přesto, díky své pilnosti a schopnosti efektivně pracovat s odbornou literaturou, se studentovi podařilo seznámit se s tak náročnou problematikou, což se především odrazilo ve srozumitelně napsané rešerši. Vybrané metody odhadu reference byly studentem otestovány na simulovaných i reálných pacientských datech a následně vyhodnoceny na základě statistických kritérií. Výsledky byly vhodně graficky reprezentovány a diskutovány z hlediska předností a limitací jednotlivých metod. Výstupem práce je balík funkcí zpřístupněný široké veřejnosti. Zadání je tedy splněno v plném rozsahu. K formální stránce nemám žádných výhrad. Po celou dobu student vykazoval mimořádně aktivní přístup a schopnost pracovat samostatně a svědomitě. Dílčí výsledky byly prezentovány v rámci studentské soutěže EEICT 2018. Práci hodnotím stupněm výborně: A/95 b.
Student Daniel Uher se ve své práci věnuje metodám pro odhad referenčního signálu u intrakraniálního EEG. Práce je vhodně strukturována, formální zpracování je nadprůměrné a obsahově odpovídá stanoveným cílům. Oceňuji snahu studenta popsat danou problematiku srozumitelně i pro laické čtenáře. Tento přístup bohužel zejm. v části týkající se principů ICA vede k nepřesným nebo fakticky chybným tvrzením. Příklady uvedené u předpokladu statistické nezávislosti zdrojových signálů (str. 23) nelze považovat za platné. Nepřesná jsou rovněž tvrzení týkající se vzniku normálně rozdělených dat po bělení signálu (str. 24), nezávislosti negaussovských dat (str. 25) či normality dat na Obr. 2.5. Uznávám však, že se v rámci bakalářského studia jedná o náročné téma. V praktické části student implementoval 3 metody pro odhad referenčního signálu, z nichž 2 jsou založeny na metodě analýzy nezávislých komponent (ICA). Vzhledem k využití již hotové Python knihovny s algoritmem FastICA považuji za hlavní přínos práce ověření těchto metod na směsi různých typů umělých i reálných dat. Dosažené výsledky jsou v dostatečném rozsahu diskutovány a odpovídají již publikovaným výsledkům. Práce by však zasloužila více kritického přístupu k převzatým postupům a jejich konfrontaci s další relevantní literaturou. Paradoxní je tak např. autorovo pozitivní hodnocení kvality odhadu u kombinace ICA a korelační analýzy na základě převzaté metriky na str. 38 vs. následné vizuální hodnocení, dle kterého je odhad reference co do míry zesílení zcela nepřesný. Chybí také zdůvodnění některých tvrzení a postupů, z nichž za zásadní považuji volbu algoritmu FastICA a jeho parametrů, zejm. s ohledem na typ nelinearity. Přes uvedené nedostatky působí práce kladným dojmem a splňuje zadání v celém rozsahu. Celkově práci hodnotím stupněm velmi dobře – B.
eVSKP id 110538