NGUYEN, D. Rozpoznání gest ruky z EMG signálu pomocí strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Předložená bakalářská práce se věnuje problematice rozpoznávání gest horní končetiny na základě analýzy povrchových EMG signálů na zápěstí ruky. Téma je aktuální a má jasně definovaný praktický přesah, především směrem k oblastem jako je interakce člověka s chytrými zařízeními, asistivní technologie nebo řízení robotických systémů. Teoretická část se věnuje genezi a záznamu EMG signálu, dále poskytuje přehled metod strojového učení pro klasifikaci gest a rešerši veřejně dostupných databází EMG signálů, s důrazem na vybranou databázi "GrabMyo". Teoretická část práce je podpořena více než sedmi desítkami literárních zdrojů, převážně odborných článků z vědeckých časopisů. V praktické části se autor nezaměřuje pouze na dosažení vysoké přesnosti klasifikace gest, ale také na systematickou analýzu faktorů ovlivňujících výslednou úspěšnost klasifikace jako jsou volba příznaků, vzorkovací frekvence nebo počet svodů. V této části práce je patrná snaha o hlubší pochopení problematiky a její zobecnění, což považuji za výrazný klad. Praktickým výstupem je návrh systému složeného ze dvou klasifikátorů, předřadného modelu zodpovědného za aktivaci „čtení“ gest a primárního klasifikátoru obstarávající klasifikaci gest. Výsledky jsou v práci vhodně prezentovány a bohatě diskutovány. Po formální stránce je předložená bakalářská práce na dobré úrovni. Velice kladně hodnotím studentův samostatný, iniciativní a systematický přístup k bakalářské práci a schopnosti propojit teoretické poznatky s praktickou implementací. V rámci bakalářské úrovně jde o nadstandardně zpracované téma s potenciálem dalšího rozvoje.
Student Dan Nguyen se ve své bakalářské práci věnuje rozpoznání gest ruky z EMG signálu. Teoretická část práce čítá 25 stran a věnuje se vzniku, snímání a vlastnostem EMG signálu a rovněž rešerši v oblasti využití strojového učení pro detekci a rozpoznávání gest. Tato část poskytuje čtenáři dostatečný kontext pro pochopení praktické části. Praktická část má 27 stran. Student v ní využívá data z veřejně dostupné databáze „GrabMyo“. Provedl předzpracování EMG signálů a extrahoval z nich celkem 24 příznaků. Následně provedl jejich standardizaci a dopřednou selekci, při které identifikoval optimální kombinaci příznaků pro následnou klasifikaci. V práci vytvořil čtyři různé přístupy ke klasifikaci gest z EMG signálů, založené na metodách strojového učení. K problematice přistupuje komplexně – analyzuje různé faktory, které mohou ovlivňovat úspěšnost klasifikace. Například zkoumá vliv předzpracování, vzorkovací frekvence a různých konfigurací vstupních svodů. Nad rámec zadání student také naměřil data vlastní a otestoval na nich finální klasifikátor založený na LDA. V závěru práce navrhl i možnou podobu reálného nasazení klasifikátoru v praxi. Práce je jak po obsahové, tak po formální stránce na velmi dobré úrovni. Mezi drobné nedostatky lze zařadit například ponechaný pomocný popisek u obrázku 2.1 („Zde bude vizualizace procesu učení“) nebo nesoulad mezi počtem uvedených příznaků v textu (24) a počtem uvedeným v tabulce (21). Místy by bylo vhodné doplnit podrobnosti – například u dělení dat, kde student uvádí, že využil trénovací, validační a testovací sady, přičemž validační data byla vytvořena pomocí křížové validace, chybí informace kolik bylo například použito foldů (k) apod. Celkově lze konstatovat, že zadání bylo splněno a práce vyniká dobře strukturovaným a komplexním zpracováním problematiky.
eVSKP id 167496