GÁLÍK, P. Robustní detekce systolických peaků v signálu PPG [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Student se ve své práci zabývá detekcí systolických peaků ve fotopletysmografických (PPG) signálech. Teoretická část práce je dostačující. Obsahově by si však zasloužila více pozornosti. Zejména mám výtku k popisům metod detekce peaků v PPG, které jsou těžko srozumitelné. Student v rámci praktické části práce nasnímal sadu signálů na 10 dobrovolnících. Každé měření trvalo 9 minut, bylo prováděno několik aktivit a paralelně se snímaly: PPG signál z ucha pomocí chytrého telefonu, EKG, akcelerometrická data, dechová křivka, saturace krve kyslíkem, krevní tlak a glykémie. Tato data student synchronizoval a připravil pro anotování experty. Zde oceňuji, že student nasnímal část dat nad rámec zadání BP. Proces získání PPG z videa by si zasloužil detailnější popis. Dále student vytvořil algoritmus pro detekci systolických peaků v PPG. Z práce mi není zcela jasná návaznost jednotlivých částí algoritmu a jejich přidaná hodnota. Zejména jde o hrubé stanovení tepové frekvence (TF) ve frekvenční oblasti, která je pak následně využita pro nastavení mezních frekvencí filtru a filtraci PPG pro přesnější stanovení TF v časové oblasti. Nevím ani, jestli/jaký je přínos stanovení minimální vzdálenosti peaků v nefiltrovaném signálu a použití této hodnoty pro přesnější stanovení TF. Z obrázku 6.2 mi přijde, že tento krok postrádá smysl. U popisu filtrace na str. 25 chybí podrobnější popis filtru. V práci postrádám blokové schéma navrženého algoritmu. Navržený algoritmus byl optimalizován a testován na 3 databázích – dvou volně dostupných („Capnobase“ a „BIDMC“) a jedné vlastní. Chybí mi zde podrobnější popis databáze „Capnobase“. U databáze „BIDMC“ student píše, že stanovil TF pro každý vzorek zvlášť, což ale není blíže vysvětleno. Co se týče hodnocení úspěšnosti algoritmu, mám výtku k vzorci 7.1, který mi zde nedává smysl. Nerozumím, jak mohl student stanovit, že je signál správně negativní. Reference k tomuto vzorci chybí. Ostatní použité metriky jsou běžně používané. Student řádně popsal výsledky dosažené na jednotlivých databázích. U vlastní databáze navíc student uvádí výsledky jak pro všechny signály, tak pouze pro kvalitní signály a pak také zvlášť pro signály měřené z prstu a z ucha. Překvapivá je maximální dosažená TF od reference (470 tepů za minutu). Jedná se o extrémní a nefyziologickou hodnotu, které by rozhodně robustní algoritmus neměl nikdy dosáhnout. Průměrné absolutní chyby dosažené na volně dostupných databázích jsou z fyziologického hlediska akceptovatelné. Průměrná absolutní chyba dosažená na vlastních datech je vysoká. Dosažené výsledky jsou řádně diskutovány a porovnány s dalšími autory. Práce je konzistentní a kapitoly na sebe logicky navazují. Srozumitelnost textu je místy horší, k čemuž přispívá řada stylistických a gramatických chyb a překlepů. Z formálního hlediska je práce na poměrně dobré úrovni. Od úvodu po závěr má 38 stran a je v ní čerpáno z 29 převážně zahraničních literárních zdrojů. Seznam literatury je místy nekonzistentní. Student pracoval samostatně a konzultací využíval spíše sporadicky. Zadání práce je splněno.
Tématem bakalářské práce studenta Pavla Gálíka je detektor systolických hrotů v signálu PPG. Předmětem teoretické části byl především popis signálu PPG, včetně fyzikální podstaty vzniku, jeho mření a předzpracování. Dále jsou rozebírány různé přístupy detekce systolických a diastolických vrcholů. Praktická část práce začíná popisem databáze, na jejímž vzniku se student sám podílel. Jádro práce spočívá v návrhu vlastního algoritmu pro detekci systolických vrcholů v signálu PPG. Samotný algoritmus a jeho popis zároveň považuji za slabinu celé práce. V práci chybí řada důležitých detailů algoritmu, např. jakým způsobem dochází k normalizaci signálu nebo jak byl navržen filtr pro předzpracování signálu (FIR/IIR jaká je délka imp. charakteristiky, tvar frekv. char.). Největší problém algoritmu vidím hned v prvním kroku, kde student odhaduje základní (čili tepovou) frekvenci dle spektra PPG signálu. Jestliže dojde k chybě detekce dominantní frekvence, není už dle algoritmu možné ji nějak výrazně korigovat. Bylo by potřeba také implementovat nějaké ošetření v algoritmu, není možné, aby byla chyba detekce 470 tepů/minutu! Stanovení minimální vzdálenosti vrcholů postrádá smysl vzhledem k ukázce detekce na Obr. 6.2 na jedné straně a předzpracování na Obr. 6.3 na straně druhé. Jsem přesvědčen, že návrh algoritmu by si definitivně zasloužil více úsilí. K části zabývající se zhodnocením navrženého detektoru mám následující připomínky. Text práce naznačuje, že pro data z vlastní databáze byly využity jiné parametry detektoru. Konkrétně detekce dominantní frekvence v jiné části spektra, s minimem od 0.95 Hz místo 0,5 Hz. Ruční změna parametrů detektoru v závislosti na testovaných datech rozhodně není standardní a zkresluje objektivní srovnání výsledků mezi jednotlivými databázemi. Dále, dle měřícího protokolu je zřejmé že naměřená databáze obsahuje krom klidu také různé aktivity/situace měřeného subjektu (např. chůze, mluvení, kašel atd.). Ve statistickém zhodnocení bohužel tyto části zohledněny nejsou. Po formální stránce je práce na dobré úrovni, skladba i návaznost kapitol je logická. Výtku bych měl pouze k nevhodně napsanému abstraktu. V abstraktu by mělo zaznít jádro práce a dosažené výsledky, nikoliv stručný obsah práce. I přeš všechny moje výtky doporučuji práci k obhajobě.
eVSKP id 142060