JANEČEK, D. Analýza AVG signálů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2013.
Úkolem studenta bylo seznámit se s dopplerovskou metodou měření rychlosti toku krve v cévách a metodami analýzy získaných signálů. Po prostudování metod klasifikace AVG signálů měl pro zvolené programové prostředí navrhnout koncepci klasifikačního algoritmu umožňujícího třídění do tříd zdravý - stenotický - s uzávěry. Výsledky měl vhodným způsobem presentovat. V předložené práci student vcelku vyčerpávajícím způsobem popisuje parametry AVG signálů a metody jejich klasifikace. Detailně popisuje zvolenou metodu shlukové analýzy při zpracování poskytnuté, klinicky ověřené, databáze AVG signálů. S ohledem na neúplnost souboru měřených dat vybral pro analýzu tři parametry : maximální frekvence, zrychlení systolické vlny a pulsační index. Nehodnotil také funkci celé dolní končetiny, ale jen úseky AF, AP a ATP. Dosažené výsledky u hodnocených dat AVG signálů jsou poplatné klinickému stavu pacientů s ischemickou chorobou dolních končetin - nejsou výrazné rozdíly v parametrech u klinických stavů se stenózami a s uzávěry cév. V závěrech práce postrádám detailnější komentář s hodnocením výsledků klasifikace. Dosažené výsledky však rámcově korespondují i s dříve provedenými metodami klasifikace. Po formální stránce ruší celkově příznivý dojem práce řada nekvalitních obrázků (př. obr. 4, 5, 8 - 11) a 6 hrubých pravopisných chyb v textu. U zobrazení všech dendrogramů testovacích dat nejsou čitelná měřítka objektů. Předloženou práci doporučuji k obhajobě a hodnotím : d o b ř e .
Předložená práce se zabývá principy ultrazvukových měření a metodami analýz AVG signálu. Dále se věnuje metodám shlukové analýzy. Výhrady mám k praktické části. Není zde uveden vývojový diagram navrženého programu. Vlastní program není popsán zcela korektně. Po prostudování algoritmu v programu MATLAB je zřejmé, že 95 procent kódů je vytváření pomocných matic a celkově student použil 3 přednastavené funkce jako efektivní kód. Data jsou rozdělena na trénovací a testovací. V praxi je běžné, že data, u kterých je znám výsledek, se náhodně rozdělí. Program se podle jedné části naučí klasifikovat a na zbytku dat se ověří funkčnost. Poté jsou aplikována data s neznámým výsledkem. V práci má student ovšem všechna data se známým výsledkem a fixně vybírá vhodná trénovací data. Není tedy proveden vstupně slepý test. Student sice provedle shlukovou metodou rozdělení dat do tří skupin, ale nediskutuje, zda to odpovídá známé diagnóze.. Dále student zobrazuje dendrogramy, kde se mu pouze v 1 případě ze 4 povedlo data rozdělit do 3 shluků při třech možných výsledcích. Dendrogramy na obrázku 20 a 21 nejsou vůbec komentovány a v obou případech 2 zkoumané subjekty "uletí", zkreslí výslednou maximální euklidovskou vzdálenost a celkově zanesou chybu. Není provedena ani základní analýza dendrogramů, možné příčiny chyby a podobně. Získaná data nejsou interpretována. Z celkového pohledu je zadání splněno, protože byl navržen algoritmus a jeho realizace není implicitně požadována. Z realizovaného programu je ovšem zřejmé, že možnosti analýzy zvoleným způsobem a tedy i navrženého algoritmu jsou velice omezeny právě způsobem „učení se“ algoritmu. V této podobě je program/analýza nepoužitelná v klinické praxi. Po formální stránce práce není napsána v jednotném rodu. Převzaté obrázky nejsou citovány, některé zdroje nejsou citovány dle normy, kapitoly nezačínají na nové straně. Práci hodnotím uspokojivě / D.
eVSKP id 65387