Analys av myokardiella hastighetsvariabler för diagnos av ...

More documents

Recommendations

Info

22 KAPITEL 2. BAKGRUND 2.4.3 Generalisering Vid användning av artificiella neurala nätverk uppst˚ar ofta problem gällande överinlärning och generalisering. Det betyder att systemet har lärt säg träningsmängden för bra och inte kan tolka testmängden bra. Det inträffar när neuronnätet inte är perfekt anpassat i storlek för att representera träningsmängden. Det ställer ocks˚a krav p˚a att träningsmängden ska vara n˚agorlunda utspridd och välavvägd. När neuronnätet är för stort har det kapacitet att lära sig specifika mönster i träningsmängden s˚asom mätfel, outliers och brus. Sedan när testmängden används kan ej neuronnätet p˚a bästa sätt behandla det. Det har visats att generalisering kan uppn˚as om träningsmängden är tillräckligt stor och täcker in större delen av den utspända rymden. Detta är i praktiken ej möjligt att utnyttja i de flesta fall d˚a nödvändig stor träningsmängd växer exponentiellt i förh˚allande till neuronnätets storlek och invektorns dimensionalitet. För att motverka överinlärning finns flera metoder vara valideringen är en välanvänd. [14] Validering För att motverka problemet med överinlärning kan validering användas, det är ytterligare en datamängd som används under träningsstadiet. Det innebär ofta i praktiken att träningsmängden P delas upp i en ny mindre träningsmängd P ′ och en valideringsmängd V s˚a att P ′ ∪ V = P och P ′ ∩ V = 0. Sedan tränas neuronnätet som vanligt med P ′ med den skillnaden att felet beräknas separat för b˚ade P ′ och V , vilket ger Ep′ samt Ev för varje iterering. I början minskar förhoppningsvis b˚ada felen medans senare kommer de skiljas˚at och i de flesta fall börjar Ev öka igen alltjämt medans Ep′ fortfarande minskar. För att d˚a beh˚alla generaliseringen sätts stoppkriteriet med avseende p˚a valideringsmängdens fel Ev förslagsvis när det ökar med en viss hastighet. P˚a s˚a sätt kan träningen avslutas när generaliseringen är i fara till fördel för överträningen. [14] 2.4.4 Prestanda för ett flerlagersnät Flerlagers fram˚atkopplade neuronnät lämpar sig väl för beskrivning av ickelinjära samband. I [13] presenteras resultat där flerlagersnät presterar bättre än linjär regression vid försök att diagnosticera prostatacancer. Om ett försök ska göras för att poängtera de fördelar ett neuronnät har och vilken kapacitet och prestanda det har görs det med hänvisning till [14] och [15] där det beskrivs hur kapaciteten ökar med ökat antal noder. Det g˚ar att beskriva vilken arbiträr funktion som helst, täcka in vilken delrymd som helst ur en större rymd och mappa en mängd till en annan genom att använda ett gömt lager med ändligt antal noder. [14, 15] Det finns dock vissa sv˚arigheter, de extrema exempel ovan kräver en stor och välordnad träningsmängd för att inte nätet ska mista sin generalisering och inte kunna bearbeta senare testmängd. Det kan ocks˚a löna sig att använda fler gömda lager för att lättare f˚a resultat, dock ökar d˚a träningstiden exponentiellt.
Kapitel 3 Metoder Detta kapitel behandlar de metoder algoritmer som använts för att n˚a resultat givet de förutsättningar som finns. All behandling av datamängden är gjord i Matlab 6.1 [30] förutom extraktion och viss sortering av grunddata som görs i SPSS [31]. Matlab är ett kraftfullt matematiskt dataprogram för numeriska beräkningar. SPSS är ett datorprogram med stöd för statistiska beräkninger. Utförandet kan delas upp i tre stadier: förbearbetning av inparametrar och m˚alparameter, användning av neuralt nätverk, samt slutligen utvärdering av resultat medelst ROC-diagram. 3.1 Förbearbetning av Data För att försöka f˚a ut mesta möjliga ur informationsmängden kan den förbearbetas innan den används som parametrar i ett neuronnät. För det första utesluts vissa parametrar som datum och plats d˚a de ej är kompatibla med Matlab men heller inte intressanta som inparametrar vid denna analys. Där sker ingen informationsbortfall. I idealfallet ska neuronnätet i sig kompensera för olikheter i varians, bias och vikt hos de olika parametrarna. Det kan dock vara fruktsamt att försöka hjälpa det p˚a traven genom att normera inparametrarna samt kanske utesluta vissa av dem. Det sker dock p˚a bekostnad av total informationsmängd och ska göras med försiktighet om relationerna är oklara. Det finns flera olika sätt att normera och strukturera parametrar. I följande stycken beskrivs hur inparametrar och m˚alparametrar kan förbearbetas p˚a olika sätt samt hur problem med saknade mätvärden hanteras. 3.1.1 Terminologi För att förenkla först˚aelsen av kommande stycke upprepas här den terminologi som infördes i stycke 2.4 p˚a sidan 18 och ytterligare termer som införs i detta kapitel. 23
Page 1 and 2: Examensarbete 205 Analys av myokard
Page 3 and 4: Abstract This master of science the
Page 5 and 6: INNEH˚ALL 3 3.4.2 ROC-diagramet .
Page 7 and 8: Tabeller 2.1 Publicerade resultat f
Page 9 and 10: Kapitel 2 Bakgrund Underrubrikerna
Page 11 and 12: 2.1. MEDICINSK BAKGRUND 9 descendin
Page 13 and 14: 2.2. VÄVNADS-DOPPLER 11 ges av 2
Page 15 and 16: 2.2. VÄVNADS-DOPPLER 13 där ˜v
Page 17 and 18: 2.3. MYDISE-STUDIEN 15 Försöken u
Page 19 and 20: 2.3. MYDISE-STUDIEN 17 LAD, Cx och
Page 21 and 22: 2.4. ARTIFICIELLA NEURALA NÄTVERK
Page 23: 2.4. ARTIFICIELLA NEURALA NÄTVERK
Page 27 and 28: 3.2. STRUKTURERING AV TRÄNINGSMÄN
Page 29 and 30: 3.3. FLERLAGERSNÄT I NEURAL NETWOR
Page 31 and 32: 3.5. BOXPLOT 29 3.4.2 ROC-diagramet
Page 33 and 34: 4.1. FLERLAGERSNÄT KONTRA LINJÄR
Page 43 and 44: 4.2. ANALYS AV ALTERNATIVA PARAMETR
Page 45 and 46: Kapitel 5 Diskussion & slutsatser 5
Page 47 and 48: 5.3. SLUTSATSER 45 5.3 Slutsatser F
Page 49 and 50: Bilaga A Examensarbetets utförande
Page 51 and 52: Se sensitivitet Sp specificitet SSE
Page 53 and 54: LITTERATURFÖRTECKNING 51 [12] Manu

Analys av myokardiella hastighetsvariabler för diagnos av ...

Create successful ePaper yourself

Delete template?

Save as template?