LIESKOVSKÝ, P. Parametrizace tváře pomocí videosekvence [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Zadání práce bylo vzhledem na složitost problematiky bez výhrad splněno. Student pracoval po celou dobu velice aktivně a samostatně, sám přicházel s různými nápady na vylepšení práce a řešení problémů, na konzultace přišel vždy připraven a až tehdy, kdy si opravdu nevěděl rady. Práce obsahuje dobře zpracovanou teoretickou část, popisující Parkinsonovu chorobu, metody pro zpracování obrazu a umělou inteligenci. Dále je práce logicky rozdělena do několika částí dle dílčích úkolů zadání. V praktické části bylo vyzkoušeno vždy více metod, u kterých jsou popsané jejich výhody a nevýhody a vhodnost použití pro práci. Práce je po odborné stránce na vysoké úrovni a spolu s dosaženými výsledky má i praktický a vědecký přínos. Po formální stránce je práce v pořádku, jedinou výtku mám k citování wikipedie, jinak je literatura aktuální a obsáhlá.
Student splnil cíle diplomové práce v plném znění. Mám zde však několik drobných připomínek. Některé části zachází příliš do detailů (např. klinické projevy Parkinsonovy nemoci, zde by stačil popis hypomimie, na kterou se práce zaměřuje; dále např. způsob převodu obrazu do stupňů šedi, takové základy nemusí práce obsahovat). Naopak práce např. absentuje demografická data pacientů (např. rozdělení věkových kategorií) a některé části metodologie, jako např. výběr hyperparametrů v algoritmu XGBoost. Osobně si nemyslím, že volba 2 s dlouhého okna pro výpočet změn parametrů je vhodná. Řeč a s ní spojené pohyby obličejových svalů jsou stacionární v úsecích dlouhých cca 20 ms. Během 2 s může proběhnout mnoho změn, které nemusí být zachyceny. Student špatně používá pojem symptom. Symptom je příznakem onemocnění. Nejedná se o skóre klinického testu, který těchto symptomů může popisovat několik. Nevím, proč student požíval k binární klasifikaci klasifikátor kNN, když měl ve svém aparátu i mnohem sofistikovanější algoritmus XGBoost. Výsledky binární klasifikace mohly být vyjádřeny pomocí senzitivity a specificity. Student si zbytečně shazuje výsledky. V oblasti medicíny je metoda, která identifikuje nemoc s více jak 80 % úspěšností akceptována a považována za tzv. biomarker. Podobně, v případě regrese považuji chybovost kolem 8 % za velmi dobrou. Z formálního hlediska trpí práce drobnými nedostatky, např. popisky tabulek pod tabulkami. I přes tyto výtky student předkládá práci na dobré úrovni, s velmi zajímavými výsledky, které jsou dobře diskutovány. Proto hodnotím práci kladně.
eVSKP id 118223