MALINA, O. Detekce začátku a konce komplexu QRS s využitím hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Student Ondřej Malina se zabýval tématem detekce začátku a konce komplexu QRS s využitím hlubokého učení. V teoretické části práce student pečlivě popisuje veškeré teoretické znalosti nutné k vypracování praktické práce. Velmi oceňuji zejména kapitolu 1.2.3, která kompletně popisuje patologie způsobující prodloužení QRS, kapitolu 1.4 popisující projevy stimulátoru v EKG a celé kapitoly 2 a 3, ve kterých jsou popsány moderní přístupy využití strojového učení včetně rešerše přístupů použitých pro rozměření EKG. Celkově je teoretická část práce velmi zdařilá. V praktické části práce student natrénoval a otestoval model pro detekci začátku a konce komplexu QRS. Nad rámec zadání byla síť naučena detekovat také začátek a konec vlny P a T za účelem zlepšení přesnosti detekce začátku a konce QRS. Student otestoval velké množství nastavení parametrů modelů, vše v práci detailně popsal. Student v práci pracoval s třemi nezávislými databázemi záznamů EKG. Student na každou databázi trénoval model zvlášť, což není nejlepší postup, lepší by bylo vyčlenit některou databázi pro testování modelu natrénovaném na jiné databázi. Jako důvod student uvádí rozdílnou vzorkovací frekvenci dat v jednotlivých databázích, což by šlo jednoduše vyřešit převzorkováním dat například na fvz 1000 Hz. Toto převzorkování by vyřešilo i některé další problémy, které student v práci komplikovaně řeší. Student dále v práci věnuje velkou pozornost optimalizaci nastavení modelu pro detekci QRS, což nebylo hlavním cílem práce. Model pro rozměření QRS byl pak použit dle neověřeného předpokladu, že nejlepší model pro detekci QRS bude nejlepší i pro rozměření. Mezi další nedostatky práce patří, že při vyhodnocení úspěšnosti modelů (např. tabulka 5.2) mi chybí uvedení tolerance, kdy je ještě detekce považována za úspěšnou. Dosažené úspěšnosti modelů nejsou vysoké. Vzhledem k výše uvedenému navrhuji známku B, 80 bodů.
Předložena práce studenta Ondřeje Maliny je věnovaná automatickému stanovení délek QRS komplexů z EKG s využitím hlubokých sítí. Práce začíná výbornou literární rešerší, která je věcná, dostatečně podrobná a obsahuje informace potřebné pro řešení daného problému. Praktická část je zaměřená na implementaci několika klasifikátorů využívajících umělé sítě s konvolučními a LSTM vrstvami. Bohužel musím konstatovat, že při zpracování zadání student investoval značné množství úsilí krokům, které, jak vyplývá z výsledků a rovněž dle mého subjektivního názoru, nebyly podstatné pro dosažení kvalitních výstupů. Student tak otestoval různé konfigurace sítě a nastavení učících algoritmů a natrénoval velké množství modelů. Tuto optimalizaci však prováděl převážně pro model sloužící k detekci QRS komplexů, nikoliv jejich začátků a konců, jak je tomu v zadání. Právě z konfigurace tohoto modelu, zřejmě vytvořeného nad rámec zadání, vycházel později při implementaci algoritmu pro stanovení délky QRS. Daný postup je však zavádějící, jelikož u těchto odlišných problému nelze očekávat dosažení vysoké kvality detekce s využitím stejného modelu. Za další nedostatek předloženého řešení považuji studentův přístup k práci s odlišnými databázemi, kdy místo sjednocení formátu dat (např. vzorkovací frekvence a délek analyzovaných EKG) trénuje specifický model pro každou databázi zvlášť. Toto řešení není vhodné z hlediska využití v reálné praxi, kdy je snaha o vytvoření univerzálního algoritmu pro analýzu různorodých dat. Považuji za redundantní současné využití původního, interpolovaného a derivovaného EKG pro učení modelů, i když se jedná o postup převzatý studentem z odborné publikace. Dále považuji za nekorektní výběr EKG bez stimulačních hrotů pro trénování modelu, který by měl sloužit k práci se záznamy od pacientů s kardiostimulátorem. Mám jisté výtky i k samotnému popisu použitých metod, kde nakonec není zcela jasné, co přesně sloužilo vstupem každého modelu (např. jak bylo nakládáno s různými EKG kanály, což dále ovlivňovalo nastavení „časové prodlevy“ při eliminaci počtu falešných detekcí). Popis není dostatečně systematický, místy až chaotický, bez přehledných blokových schémat, které by jistě napomohly orientaci v textu. Student relativně volně používá terminologii (segmentace EKG, detekce, segmentace a vymezení QRS komplexů apod.) a zaměňuje pojmy jako je detekční okno a okno tolerance při stanovení začátků a konců QRS, což zbytečně komplikuje pochopení textu a snižuje jeho odbornou úroveň. Chválím studentovu snahu o prezentaci výsledků detekce s využitím několika různých metrik. Pro získání uceleného obrazu o kvalitě odvedené práce by bylo vhodné uvést ukázky reálných EKG s příslušnými výsledky detekce délek QRS. Dále by bylo zajímavé detailně prozkoumat odchylky ve stanovení délek QRS v různých skupinách komplexů (normální úzký, RBBB/LBBB, aj.) či skupinách EKG a na základě této analýzy navrhnout kroky k vylepšení použitých postupů. Po formální stránce je práce na velmi dobré úrovni s nedostatky v podobě chybějících odkazů na některé obrázky v textu a chybějících jednotek v některých grafech. I přes průměrné až podprůměrné výsledky detekce ve srovnání s jinými publikovanými metodami, student prokázal schopnosti nastudovat a implementovat náročné moderní klasifikační metody a zpracovat závěrečnou zprávu v souladu s požadavky na závěrečné práce v technickém oboru. Práci doporučuji k obhajobě a hodnotím stupněm D/63 b.
eVSKP id 136713