Předložená práce se věnuje klasifikaci kardiologických diagnóz z EKG signálů nad databází PTB-XL s využitím příznaků extrahovaných konvoluční neuronovou sítí. Práce je na nízké úrovni, a to jak po stránce odborné, tak po stránce zpracování.
Za dostatečnou považuji práci s daty. Databáze PTB-XL je popsána správně a srozumitelně a logicky jsou vysvětleny i prahy pro řazení záznamů do jednotlivých tříd. I zde však narážím na první výhradu: odstranění pacientů z hraničního pásma je odůvodněno jen slabě a autor neuvádí, kolik záznamů mu po této filtraci zůstalo. Tím je ztížena reprodukovatelnost a posouzení, na jak velkém vzorku vlastně výsledky stojí.
Po stránce struktury a rešerše práce obsahuje pasáže, které nejsou pro vlastní řešení relevantní (kapitoly 1.1 Vznik a měření EKG signálu, 1.2 Části fyziologického EKG, 2.1 Předzpracování). Naopak v částech, kde by hloubka byla potřeba, práce zůstává na povrchu. V textu například zcela chybí popis EKG u diagnózy, na jejíž klasifikaci se práce zaměřuje. V kapitole 2.3 navíc dochází k záměně pojmů logistické a lineární regrese, což je věcná chyba, nikoli pouhá nepřesnost.
Hlavní problém ovšem spočívá v tom, že práce nedostatečně komunikuje vlastní metodický postup, a řada klíčových kroků tak není ověřitelná ani pochopitelná. Konkrétně:
Není zřejmé, z čeho a za jakým účelem je počítána analýza hlavních komponent (PCA), ani jak jsou získané komponenty dále využity; samotné použití PCA na již extrahované příznaky je legitimní, avšak v práci není doloženo ani vysvětleno. S tím souvisí nejasnost, co představují „počty komponent" na obrázcích 4.5, 4.8 a 4.11.
Není objasněn způsob výpočtu Fisherova skóre. Vzhledem k tomu, že autor pracuje s dvourozměrnou příznakovou mapou pro jednotlivého pacienta, není jasné, jak je skóre stanoveno, a chybí i kritérium, podle něhož je následně hodnoceno jako „slabé".
Obrázek 4.2 není srozumitelný – z práce nelze určit, zda jde o jedinou mapu, či o rozdíl mezi více třídami.
Není dostatečně popsána práce s příznaky: jejich případná agregace, to, co konkrétně vstupuje do jednotlivých modelů, a zdůvodnění těchto voleb. Není zřejmé ani to, jakým způsobem byla aplikována logistická regrese, a zcela chybí popis procesu učení modelu MLP.
K těmto nejasnostem se přidává nedostatek metodické pečlivosti. Optimalizace modelů je minimální až žádná, doprovodné snímky (zejména ukázky signálů) jsou v nízké kvalitě a student možnosti konzultací během zpracování nevyužil, což se na výsledné podobě práce zřetelně projevilo.
Student spolu s textem práce odevzdal i čtyři skripty v programovacím jazyce Python. Tyto skripty ale netvoří ucelené řešení (chybí generování jakýchkoli grafických výstupů, předložená pipeline není nijak zapojená). V přílohách zcela chybí výpočty Fisherova skóre a PCA, na kterých student staví svůj postup. Reprodukovatelnost lze v kontextu odevzdané přílohy vyloučit.
Bod 5 zadání (porovnání přístupů a diskuse možností doladění či transfer learningu) je naplněn pouze zčásti. Z mého pohledu tak zadání nebylo dostatečně splněno a daná problematika zdaleka nebyla vyčerpána.
S ohledem na výše uvedené odborné i formální nedostatky navrhuji hodnocení F, 30 bodů. Points proposed by supervisor: 30

Student se ve své bakalářské práci zabýval využitím abstraktních příznaků extrahovaných pomocí segmentační hluboké neuronové sítě z 12 svodových EKG signálů pro klasifikaci infarktu myokardu. Byla využita databáze PTB-XL, která obsahuje kromě velkého množství záznamů také anotace a samotné příznakové mapy. Pro klasifikaci byly použity 3 modely strojového učení a byl testován vliv různě upravených příznakových map na jejich úspěšnost. Pro vyhodnocení byly použity 3 metriky v rámci křížové validace. Po odborné stránce má práce mnoho nedostatků, počínaje neodůvodněnou nebo laickou volbou procesních kroků, pokračuje nejasným a nereprodukovatelným provedením, a konče neprovedenou optimalizací hyperparametrů modelů. Například není jasné, jak je samotná 2D příznaková mapa vkládána na vstup modelů. Dále nerozumím převodu 2D mapy do PCA prostoru – znamená to, že všechny kanály i časové vzorky byly pouze zřetězeny za sebe? Zdrojové kódy pro přípravu agregovaných příznakových map pomocí PCA a Fischerova skóre nejsou dostupné. Postrádám řádnou strukturu zdrojových kódů včetně dokumentace a skriptu pro spuštění celé navržené pipeline – ten obsahuje pouze definice funkcí bez docstringů nebo README. Mám vážné pochybnosti o splnění bodů zadání 1) a 5). Literární rešerši metod strojového učení v kardiologii text práce neobsahuje; je zde pouze jedna strana (kap. 2.3) obsahující obecný a nedostatečný popis běžně používaných metod klasifikace. O zlepšení výsledků modelů, natož doladění nebo transfer-learning se student nejen nepokusil, ale ani nezmínil. Práce obsahuje řadu nepravdivých, zavádějících nebo nepodložených tvrzení, a většina kroků je prováděna ad hoc. Mezi metrikami pro vyhodnocení modelů chybí minimálně také specificita a pozitivní prediktivní hodnota. Po formální stránce práce obsahuje překlepy, chybějící odkaz na obrázek a nekvalitní obrázky. Seznam literatury je velmi omezený, nesplňuje žádnou citační normu, a reference postrádají položky pro jednoznačnou identifikaci zdrojů. Celkově je práce nedostatečná, nesplňuje požadavky kladené na bakalářské práce a hodnotím ji stupněm F (25 bodů). Points proposed by reviewer: 25