Analys av myokardiella hastighetsvariabler för diagnos av ...

3.2. STRUKTURERING AV TRÄNINGSMÄNGDEN 25
3.1.4 Linjär transformation med min- och maxvärde (MN-
MX)
En variant av linjär transformation är att bara se till parametrars minima och
maxima och sedan normera s˚a att alla parametrar x ′′
1, . . . , x ′′ N ligger inom ett
visst omr˚ade enligt −1 ≤ x ′′
i ≤ 1. Normaliseringen sker enligt
x ′′p
i
S˚aledes blir ocks˚a max(x ′′p
i
x
= 2
p
i − min(xi)
− 1 (3.4)
max(xi) − min(xi)
= 1) och min(x′′p
i
= −1) för varje p. Om man
normerar parametrar p˚a detta sätt kan man med fördel använda en squasing
function s(•) som stryper noderna mellan −1 < s(•) < 1. Det innebär att ocks˚a
utvärdet kan komma i det intervallet och m˚aste transformeras innan det jämförs
med m˚aldata. [17]
3.1.5 Principalkomponentanalys (PCA)
D˚a det finns m˚anga parametrar i datamängden och d˚a de härstammar fr˚an samma
objekt kan det tänkas att det finns korrelerade parametrar. Neuronnätet kan
hantera korrelerade parametrar men d˚a antalet parametrar ökar blir det sv˚arare
och mer tidskrävande. Det kan vara enklare att lyckas f˚a fram bra resultat och
det kan vara tillräckligt med ett mindre neuronnät om man lyckas minska antalet
inparametrar med bibeh˚allen informationsmängd. Ett sätt att minska dimensionaliteten
i en datamängd är att använda principalkomponentanalys (PCA),
vilket genom att spänna upp en ny rymd där den största variationen fr˚an flera
dimensioner i originalrymden läggs p˚a den första dimensionen. Nästkommande
dimensioner är alla ortogonala mot varandra och läggs i tur och ordning p˚a det
sätt som beskriver störst variation. P˚a detta sätt kan man sedan välja hur stor
del av variationen man vill ha med fr˚an originalmängden enbart genom att välja
hur m˚anga principalkomponenter man tar med. [18, 17]
3.1.6 Förbearbetning av m˚aldata
Den m˚aldata som finns är uppdelad p˚a de tre omr˚adena LAD, Cx och RCA där
för var och en av dem en variabel t1, t2, t3 betecknar om det finns sjukdom ti = 1
eller om individen är frisk ti = 0. I originalkodningen betyder beteckningen ti =
2 att sjukdom finns p˚a en eller b˚ada av de andra omr˚adena. Denna indikering
är ersatt med ti = 0 d˚a det aktuella omr˚adet i sig är friskt.
3.2 Strukturering av träningsmängden
För att öka stabiliteten och säkerheten i neuronnäten finns metoder för att
distribuera träningsmängden p˚a olika sätt. Tv˚a metoder har testats i denna
rapport. Algoritmer likt dessa används främst när det finns en begränsad och
relativt liten uppsättning träningspar 1 .
1 Ett träningspar är i det här fallet en individs invektor samt dess motsvarande
m˚alparameter. Det kan uttryckas matematiskt som {x p , t p }.