ŠAGÁT, M. Návrh generativní kompetitivní neuronové sítě pro generování umělých EKG záznamů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Student Martin Šagát se ve své práci věnuje návrhu generativní kompetitivní sítě pro generování umělých EKG záznamů. Přestože se v práci s ohledem na výpočetní náročnost generativních modelů a omezenou výpočetní kapacitu nepodařilo dosáhnout modelu, který by generoval umělé EKG záznamy, musím ocenit celkové nasazení a přístup studenta k práci. Generativní kompetitivní sítě jsou relativně nové a principiálně složité modely s nejistým výsledkem. Student však v průběhu celého roku projevoval hluboký zájem o danou problematiku studiem velkého množství odborné i prakticky zaměřené literatury z oblasti hlubokého učení a kompetitivních sítí. To se pozitivně projevilo jak na hloubce pochopení dané problematiky, tak na způsobu sestavení rešeršní části, programového řešení i schopnosti diskutovat dosažené výsledky. Drobné výtky tak mám pouze k formální úpravě, která by si místy zasloužila větší pozornost. To se týká zejména kvality obrazových podkladů s drobnými popisky a nevzhledných boxů s ukázkami zdrojového kódu. Celkově proto práci hodnotím 92 body.
Předložená práce je věnovaná problematice generování umělých EKG záznamů. Dané téma je velmi aktuální vzhledem k požadavkům kladeným na data používaná pro trénování sofistikovaných klasifikátorů založených na hlubokých neuronových sítích. Cíle stanovené v zadání práce jsou ambiciózní a, dle mého názoru, vyžadovaly od studenta jistou míru odvahy. Pro generování umělých EKG měl totiž student využít tzv. generativní kompetitivní síť (GAN), což je jedná z nejmodernějších a zároveň nejsložitějších metod strojového učení. Přestože výsledné umělé signály nemají podobu použitelnou v praxi, musím konstatovat, že se studentovi podařilo splnit všechny stanovené cíle a vypracovat kvalitní technickou zprávu. Obzvlášť pozoruhodný je studentův přístup k práci s dostupnými odbornými informacemi, kdy musel čerpat z velkého množství zdrojů, aby pochopil princip fungování, trénování a optimalizace parametrů GAN. Podařilo se mu vytvořit srozumitelnou, dobře čitelnou, detailní rešerši. Jednotlivé kapitoly jsou logicky provázané mezi sebou. Zmiňované algoritmy jsou podrobně rozebrané s využitím velkého počtu intuitivních schematických a grafických ilustrací. Lze usoudit, že se studentovi podařilo dobře zorientovat v dané náročné problematice. V praktické části student implementoval vybraný postup, při jehož návrhu se hodně inspiroval jednou publikovanou studií. Domnívám se, že by mohlo být dosaženo ještě lepších výsledků, kdyby student více experimentoval se zpracováním EKG a nedržel se postupu jiných autorů. Konkrétně při práci s LSTM vrstvami je vhodné použit vstupní data délky řádově několik desítek až stovek vzorků. Při delších sekvencích (řádově několik tisíc vzorků, jak je tomu v dané práci) může docházet ke ztrátě informací, důležitých pro generování kvalitních EKG signálů. Doporučila bych proto zvážit zvýšení faktoru podvzorkování. Není mi jasné, proč byl ze začátku EKG odstraněn úsek délky 480 vzorků. Ke zkreslení v důsledku filtrace či jiných kroků zpracování většinou dochází jak na začátku, tak na konci signálu. Vhodnější by proto bylo odstranit poloviční počet vzorků na obou koncích signálu. Tím by zřejmě došlo ke snížení počtu záznamů s hodnotami mimo stanovené meze, které student vylučuje z následné analýzy. Kladně hodnotím to, že testování implementovaných algoritmů student prováděl nejdříve na jednoduchých posloupnostech, jako je kvadratický a sinusový průběh, a až poté přešel k práci s reálnými EKG záznamy. Student vybral vhodné prostředky pro vizuální i kvantitativní analýzu dosažených výsledků a kriticky rozebral výhody a nevýhody implementovaných metod. Po formální stránce je práce na velmi dobré úrovni. Snad obrázky a popisky v grafech z praktické části mohly byt větší. Výstupy práce tvoří kvalitní základ pro navazující výzkum v dané oblasti a tak mají potenciál budoucího využití. Práci hodnotím velmi kladně, A/90 b.
eVSKP id 126849