MARTINKOVÁ, T. Klasifikace spánkových fází z polysomnografických záznamů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Studentka Tereza Martinková se ve své bakalářské práci zabývala klasifikací spánkových fází z polysomnografických (PSG) záznamů. V literární rešerši se věnuje signálům měřeným při PSG vyšetření, spánkovým fázím a metodám, používaným při zpracování PSG dat. V praktické části pak nejprve provádí analýzu vhodných příznaků pro klasifikaci a následně klasifikuje data pomocí dvou metod - neuronových sítí a metody podpůrných vektorů. Výsledky studentka prezentuje a srovnává s dostupnou literaturou. Práce má od úvodu po závěr 27 stran, v práci je citováno 34 zdrojů. Bohužel se často jedná o nepříliš vhodné zdroje, jako jsou neodborné internetové stránky nebo prezentace z přednášek. Studentka k práci přistupovala aktivně a o průběžných výsledcích vedoucího pravidelně informovala. Bohužel finální verze práce nebyla předložena ke kontrole, čímž mohlo být zamezeno množství nedostatků, kterými je práce zatížena. V práci je řada překlepů, nepřesností nebo nejasných vyjádření. Obrázky a grafy, které studentka používá, jsou často těžko čitelné, chybí jim popisky os nebo jsou v angličtině. Rovněž v práci chybí množství informací, jako je odůvodnění volby velikosti datasetu, zdůvodnění proč studentka použila dané klasifikátory nebo jaké u nich použila parametry. Klasifikátory navíc studentka pojmenovává podle názvu toolboxů v Matlabu. I přes uvedené nedostatky práce splňuje zadání a doporučuji ji tak k obhajobě. Navrhuji hodnocení stupněm D - 60 bodů.
Studentka Tereza Martinková se ve své práci zabývá návrhem a realizací automatické klasifikace spánkových fází s využitím PSG dat. Po formální stránce je práce na průměrné úrovni (překlepy, chybějící popisky os u histogramů a krabicových grafů, chybějící odkazy na některé obrázky a tabulky). Práce má bohužel jen povrchní charakter, hlavně v praktické části. V textu se hojně vyskytují nepřesné či neodborné formulace (např. „shluková analýza je metoda učení neuronové sítě bez učitele“, u sítí bez zpětných vazeb mezi neurony „je zabráněno zpětnému šíření chyby při učení“ aj.). Seznam zdrojů se z velké části skládá z odkazů na přednášky z UBMI místo původních publikací. Oceňuji snahu studentky o komplexní přístup, kdy nejdříve odvodila se signálů příznaky, následně je statisticky vyhodnotila a dále použila pro trénování dvou odlišných modelů (neuronová síť a SVM). Postrádám však velké množství důležitých informací k metodám analýzy a klasifikaci dat. Rešerše obsahuje strohý přehled metod bez návaznosti na konkrétní řešenou problematiku. V praktické části chybí zdůvodnění použití právě kanálu CzOz. Nejsou důkladně popsaný parametry Welchovy metody odhadu spektra. Není zdůvodněná volba časových i spektrálních příznaků (zvlášť není jasné, proč studentka používá kvadratický průměr místo „obyčejného“ průměru). Není jasné, proč používá zrovna tuto konfiguraci neuronové sítě a jaké jsou parametry použitého klasifikátoru SVM. Při popisu krabicových grafu odvozených příznaků pro Wake fázi interpretuje odlehle hodnoty „postupným usínáním a útlumem potenciálu“. Domnívám se, že se ve skutečnosti jedná o vliv artefaktů, přítomných v původních záznamech. V práci ovšem chybí rozbor analyzovaných signálů z hlediska jejich kvality. Odlehlými hodnotami se studentka dále již nezabývá. Lze proto předpokládat jejich vliv na výsledky statistického porovnání hodnot parametrů v různých fázích i kvalitu výsledné klasifikace. Při testování rozdílu studentka použila vhodný statistický test, avšak pro detailnější analýzu a následnou důkladnější interpretaci výsledků klasifikace by se hodila dodatečná aplikace post-hoc testu. Při trénování neuronové sítě a SVM studentka pracuje s odlišnými daty v důsledku použití odlišných validačních metod (rozdělení na trénovací, validační a testovací v poměru 70:15:15 % v případě neuronové sítě a 5-násobná křížová validace v případě SVM). Domnívám se, že se jedná o výchozí nastavení v případě obou použitých knihoven. Proto výsledky porovnání těchto dvou klasifikačních modelů nelze považovat za validní. O nepochopení základních principů práce s metodami strojového učení svědčí ten fakt, že natrénovanou síť testuje na celé původní matici, jejíž 70 % tvoří právě trénovací data (dle odevzdaného kódu). Výsledky testování jsou tak nadhodnocené a nevypovídají o generalizačních schopnostech sítě. Pro trénování a testování modelů vybírá jen 100 epoch z každé fáze, přičemž disponuje několika desítkami celonočních PSG záznamů. Místo názvů vybraných modelů (neuronová síť a SVM) v práci používá zdlouhavé názvy knihoven, jež využívá pro implementaci. U SVM zcela opomíjí jádrovou funkci a využívá výchozího nastavení. Bohužel v obou případech chybí jakákoliv snaha o optimalizaci parametrů modelů a algoritmů učení. Kladně hodnotím snahu o implementaci metod s rozlišením různých počtů spánkových fází. Avšak pro jednotlivé postupy studentka využívá stejnou konfiguraci sítě s 10 skrytými neurony. Softwarem vygenerované matice záměn ukládá jako snímky obrazovky, přestože Matlab nabízí hned několik možností ukládání těchto výstupů v dostačující kvalitě. Tyto grafické výstupy tak nejsou dostatečně čitelné. Implementace metod je místy nešťastná, kdy program místo zavolání funkce provádí stejné úkony několikanásobně krát a kód tak čítá několik stovek řádků s triviálními opakujícími se příkazy. Práce by si jistě zasloužila důkladnější přístup. Vzhledem k výše zmíněným nedostatkům hodnotím práci stupněm F/45 b a doporučuji k přepracování a odevzdání v nejbližším možném termínu.
eVSKP id 126710