Bakalářská práce Filipa Sedlára se zabývá detekcí stresu z multimodálních dat, což je stále aktuální a nedořešené téma. Teoretická část práce obsahuje adekvátní literární rešerši. Velmi oceňuji komplexní tabulku obsahující přehled metod detekce stresu a jejich výsledků. Výborné je i blokové schéma shrnující praktickou část práce. Jen bych ho z teoretické části přesunula na začátek praktické. Praktická část práce je velmi podrobně a pečlivě popsaná a ilustrovaná. Jednotlivé kroky na sebe logicky navazují a jsou řádně zdůvodněné, k čemuž slouží řada dílčích analýz. Práce obsahuje rozsáhlou diskuzi výsledků a limitace navržených metod. Práce je srovnatelná s uvedenou literaturou. Zadání práce je jednoznačně splněno. Z formálního hlediska je práce na výborné úrovni. Je psaná anglicky, jasně a čtivě a od úvodu po závěr čítá 65 stran. Student využil celkem 32 literárních zdrojů a k práci s literaturou nemám výhrady. Student pracoval systematicky a usilovně během celého roku a využíval konzultací. Celkově považuji práci za velmi zdařilou a na úrovni BP nadprůměrnou. Points proposed by supervisor: 99

Student se ve své bakalářské práci zabývá automatickou detekcí stresu s využitím multimodálních fyziologických dat. Téma je aktuální a má praktický potenciál.
Teoretická část práce čítá odpovídající rozsah a je přehledná. Obsahově je pro bakalářskou práci plně dostačující. V praktické části student pracuje s databází SWELL-KW. Pro detekci využívá signály EKG a EDA, které byly synchronizovány, segmentovány a řádně předzpracovány. Následně byla provedena extrakce několika příznaků. Student dále provedl jejich statistickou analýzu, selekci a standardizaci pomocí Z-score normalizace. Je však nutné upozornit, že Z-score normalizace je prováděna na úrovni subjektu a vůči třídě „neutral“, což může ovlivnit přenositelnost modelu do reálného nasazení.
Na základě provedené selekce byla identifikována optimální podmnožina čtyř příznaků, na kterých byl následně trénován klasifikační model. Student experimentoval s více klasifikačními algoritmy a jako výsledný model byl zvolen Random Forest ensemble, který dosahuje na testovací sadě dobrých výsledků.
V práci mi chybí detailnější specifikace některých metodických kroků, zejména volby prahu pro mRMR selekci a přesnější popis cross-validace včetně zajištění subject-independent rozdělení dat při CV. Současně je vhodné zmínit, že rozdíl ve výkonnosti mezi trénovací a testovací sadou naznačuje možnost mírného přeučení modelu. Tato skutečnost by si zasloužila podrobnější analýzu.
Z formálního hlediska se v práci objevují drobné nedostatky (překlepy a místy nejednoznačné formulace), nekonzistentní používání některých zkratek (např. ML), které jsou sice v textu zavedeny, ale dále nejsou systematicky využívány. Přesto je práce po formální stránce zpracována velmi kvalitně. Oceňuji, že je text psán v anglickém jazyce.

Celkově lze konstatovat, že zadání bylo splněno a práci doporučuji k obhajobě. Topics for thesis defence:

1. Jak bude Váš model fungovat v praxi, pokud bude nasazen na nového uživatele, u kterého ještě nejsou k dispozici „neutral“ segmenty pro výpočet Z-score normalizace? Je v takovém případě nutné provést kalibrační měření? Jak zajistíte, že se bude skutečně jednat o "neutral" měření?

Points proposed by reviewer: 97