PECNÍKOVÁ, M. Automatická detekce K-komplexů ve spánkových signálech EEG [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2016.
Autorka se zabývala automatickou detekcí K-komplexů ve spánkových signálech EEG. V přehledu podrobněji popsala celkem pět metod detekce, řadu dalších uvedla i s odkazy na literaturu v závěru práce. Přehledová část i poměrně bohatý seznam zdrojů svědčí o dobré práci s literaturou. Při realizaci se zaměřila na dvě metody: Metodu využívající energetický operátor (TKEO) a realizaci využívající UNS, do které vstupují vektory příznaků. Získané výsledky statisticky vyhodnotila a porovnala je i výsledky jiné práce, která vyšla ze stejných vstupních dat. Konstatuji, že diplomantka pracovala možná až příliš samostatně, ne vždy jsem byl průběžně informován o všech dílčích výsledcích práce. Dále konstatuji, že diplomantka jednoznačně prokázala schopnost samostatného přístupu k řešení projektu včetně studia relevantních zdrojů. Všechny navržené a realizované algoritmy jsou funkční, zadání Diplomové práce autorka beze zbytku splnila.
Studentka nastudovala a v práci řádně popsala problematiku detekce K-komplexů v EEG záznamech. K realizaci si zvolila dva detekční algoritmy, které otestovala na dostupné databázi spánkových EEG. Dosažené výsledky automatické detekce řádně vyhodnotila za použití poloh K-komplexů určených manuálně dvěma experty. Dílčí výsledky vhodně grafický prezentovala. Zadání diplomové práce tak považuji za splněné v plném rozsahu. V práci však postrádám některé důležité informace. Není například jasné, která data tvořila skupinu falešných K-komplexů při trénování umělé neuronové sítě (UNS), resp. co znamená věta 'Do trénovací množiny dat byl tedy vždy vložen úsek signálu, ve kterém se nacházelo 70 % K-komplexů'. Rozsah hodnot parametrů z Obr. 7.6 a 7.7 v intervalu nesouhlasí s popisem zpracování dat, kde je zmiňována normalizace v rozsahu . Není definováno, který parametr z TKEO reprezentace K-komplexu byl použit pro trénování UNS. Část práce tykající se detekce založené na UNS je místy nekonzistentní. Některé dílčí výsledky předchází popisu použitých dat a statistických metod. O počtu analyzovaných K-komplexů se čtenář dočte až na konci práce. Počet falešných K-komplexů ovšem není nikde zdůrazněn. Autorka se mimo jiné zabývá výběrem relevantních parametrů pro následnou detekci. Pro testování klasifikačních vektorů skládajících se z 3 a 11 parametrů používá sítě stejné topologie, což může vést k vágnímu výsledků. Síť s počtem neuronů odpovídajícím třem vstupním parametrům by velmi pravděpodobně mohla dosáhnout stejných nebo dokonce i lepších výsledků ve srovnání se síti optimalizovanou pro 11 vstupů. Pro účely porovnání jednotlivých UNS by bylo dobré uvést čas, resp. počet epoch potřebný pro trénování každé sítě. Hodnocení úspěšnosti algoritmů by mělo byt prováděno v rámci křížové validace. Po formální stránce je práce na dobré úrovni. Vytknout mohu pouze chybějící odkazy na některé obrázky, drobné překlepy a místy chyby ve formátování textu. Přes výše uvedené nedostatky bylo zadání práce splněno a práce působí celkově kladným dojmem, proto ji hodnotím stupněm C/78 b.
eVSKP id 93552