Analys av myokardiella hastighetsvariabler för diagnos av ...

4.1. FLERLAGERSNÄT KONTRA LINJÄR REGRESSION 31
Själva mängden av möjligheter i sig är inte ett problem d˚a det kan programeras
och hanteras mycket väl i Matlab. Det är den massiva mängden resultat som
är mer arbetsam att utvärdera. Enbart de viktigaste resultaten presenteras i
rapporten.
Huvuddelen av slutresultaten presenteras i form av area under ROC-grafen
och därför fordras en först˚aelse för den metoden, det finns en kort genomg˚ang i
kapitel 3.4 p˚a sida 28. Ocks˚a en viss inblick i boxplottar och histogram kan vara
givande.
4.1 Flerlagersnät kontra linjär regression
I den första delen undersöks vad samma inparametrar som används i den linjära
regressionsanalysen ger för resultat när de används som inparametrar i ett flerlagers
neuronnät. Det innebär ocks˚a att i huvudsak jämförs neuronnätens prestanda
med resultaten fr˚an regressionsmodellen. Det sker ocks˚a en utvärdering
av förbehandlingsmetoder samt algoritmer som k-fold och bagging. Den utvärderingen
används sedan för att effektivisera analysen av fler inparametrar.
4.1.1 ˚Aterskapande av regressionsmodellernas inparametrar
Eftersom det finns tvetydigheter i vilka mätdata som motsvarar de inparametrar
som använts till regressionsmodellerna s˚a innebär det sv˚arigheter med att
˚aterupprepa tidigare resultaten. I detta skede där neuronnät ska jämföras med
regressionsmodellen prioriteras det urval som visar bäst prestanda hos regressionsmodellen.
Som inparametrar används de stadier som achived-parametern
pekar p˚a. Sedan elimineras de individer som ej har fulltaliga mätningar p˚a de
inparametrar som används för var och en av omr˚adena LAD, Cx och RCA analyserna.
S˚aledes ser mängderna olika ut för var och en av omr˚adena och inneh˚aller
ej exakt samma individer. Alla tre omr˚aden använder kön och PHR samt tv˚a
eller tre PSV fr˚an olika segment. LAD använder segmenten BA och ML, Cx
använder BL, BP och ML och slutligen RCA som använder BI, MI och BS.
4.1.2 Förbearbetning, antal noder och träningsmetod
För att finna bra inställningar och prestanda hos neuronnätet presenteras resultat
fr˚an försök med olika inställningar p˚a n˚agra parametrar. Inparametrar är
endast de som används i motsvarande regressionsmodell. Likt regressionsanalysen
kommer ocks˚a tre helt separata analyser göras, en för varje omr˚ade.
Parametrar som varieras för att uppn˚a s˚a bra resultat som möjligt är
Förbehandling Olika förbehandlingsmetoder testas för att utröna om ett stabilare
samt bättre resultat f˚as genom att preparera indata p˚a olika sätt.
De metoder som används är MNMX, STD samt PCA förbehandling vilka
jämförs gentemot varandra samt oförbehandlade inparametrar.
Noder Antal noder varieras för att försöka finna var prestandan är maximal.
Det antal som används är 1, 5, 10, 20, 40 och 80 noder i ett och samma
gömt lager.