No description available.

No description available.

Socialstyrelsen rekommenderar i nationella riktlinjer att hälso och sjukvården skall erbjuda organiserad individanpassad fysisk träning under tre till sex månader till alla patienter som genomgått hjärtinfarkt, PCI eller bypasskirurgi. I dessa riktlinjer läggs stor vikt vid insatser för att stödja patienterna till hälsosammare levnadsvanor och på så sätt förebygga både ny kranskärlssjukdom och återinsjuknande. Hjärtrehabilitering har till syfte att reducera riskfaktorer och stärka skyddsfaktorer, den kan vara utformad på olika sätt men innefattar oftast fysisk träning, utbildning och psykologisk stöttning i form av stödjande samtal. Patientundervisning är en nyckelkomponent i hjärtrehabilitering. Patienten måste ha en vilja att göra livsstilsförändringar och en förståelse för sin situation och kroniska sjukdom.Denna studies syfte är att identifiera om medverkan i hjärtrehabiliteringsprogram leder till effekter på patienternas livsstilsvanor och uppmätta fysiologiska mätvärden.Studien är prospektiv med en kvantitativ ansats, varje patient är sin egen kontroll.Statistisk analys är gjord för att studera förändring över tid.Under år 2006-2007 erbjöds 112 patienter deltagande i hjärtrehabilitering på ett mindre sjukhus i Västsverige. De ombads att besvara enkäter före, efter och ett år efter hjärtrehabilitering. 61 patienter (n=61) inkluderades slutligen i studien.Resultatet visade signifikanta värden på att patienternas lipidstatus förbättrades och rökning/snusning minskade, både direkt efter hjärtrehabilitering och bibehölls ett år efter. Patienternas vikt och systoliska blodtryck var signifikant högre ett år efter hjärtrehabilitering. Både det fysiska och psykiska välmåendet skattades högt, direkt efter hjärtrehabiliteringen sågs en signifikant höjning av fysiskt välmående. Tendensen i patienternas levnadsvanor visar dock att det var svårt att bibehålla livsstilsförändringarna. / Program: Fristående kurs

Feedback is an essential part of the software delivery process. Software metrics, as feedback, can give knowledge about the essential parameters that affect the software development process. An improved understanding of the software development process can facilitate more effective software management. With new software development methodologies emerging, such as Continuous Delivery, new information needs arise. The new methodology requires a new way of thinking when designing and developing dashboards for software development. A dashboard is a communication tool that can provide up-to-date information through at a glance interaction. The purpose of this thesis was to investigate how different software metrics related to Continuous Delivery can be visualized in a dashboard system at the company Saab. This thesis used a user-centered approach to find the appropriate visualization and user context to provide the user with feedback that supports the software development. The thesis work included user observations in the form of interviews and contextual inquiry. Thereafter, prototyping and usability testing were conducted in two iterations to design the dashboard and gather feedback. The result of this thesis work was a final prototype that was implemented in the program Kibana using real-time data from a software project. This thesis presents a set of elements that should be included when designing a dashboard for software development based on the findings of this study. / Feedback är en av de essentiella byggstenarna i en mjukvaruleveransprocess. Med mätvärden för mjukvaruutveckling kan organisationen få en större kunskap om de väsentliga faktorerna som påverkar mjukvaruutvecklingen. En ökad förståelse kan leda till en mer effektiv hantering av mjukvaruutveckling. Med nya metoder inom mjukvaruutveckling, t.ex. Continuous Delivery, som betyder kontinuerlig leverans, förändras behovet av feedback och nya utmaningar uppstår. Den nya metoden kräver nya uppläggningar vid utformning och utveckling av informationsradiatorer, en typ av kontrollpanel för mjukvaruutveckling. En kontrollpanel är ett kommunikationsverktyg som kan bidra med aktuell information om situationen genom att ge en överblicksbild. Målet med denna uppsats var att utreda hur mätvärden för mjukvaruutveckling kopplade till Continuous Delivery kan visualiseras på en kontrollpanel på företaget Saab. Detta examensarbete använde en användarcentrerad metod för att undersöka de vilka visualiseringar var lämpliga att använda och i vilken kontextanvändarna ville ha feedback. Examensarbetet utförde användarobservationer i form av intervjuer och kontextuell utredning. Sedan gjordes prototyper och användbarhetstestning. Detta gjordes i två iterationer för att samla in feedback och designa den slutgiltiga prototypen. Den prototypen utvecklades i programmet Kibana och använde realtidsdata från ett projekt. Resultatet i denna uppsats är ett förslag på vilka element som borde tas i hänsyn när en ska designa en kontrollpanel för systemutveckling.

Autonomous vehicles are currently under study and one of the critical parts is the localization of the vehicle in the environment. Different localization methods have been studied over the years, such as the GPS sensor, commonly fused with other sensors such as the IMU. However, situations where the vehicle crosses a tunnel, a bridge, or there is simply traffic congestion, can cause the vehicle to get lost. Therefore, other methods such as point cloud registration have been used, where two point clouds are aligned, thus finding the pose of the vehicle on a precomputed map. Point cloud alignment, although a useful and functional method, is not free from errors that can lead to vehicle mislocalization. The intention of this work is to develop and compare different metrics capable of measuring in real time the performance of the point cloud alignment algorithm used, in this case Normal Distribution Transform (NDT). Therefore, it is important first of all to know if the position obtained meets the minimum requirements defined, just by knowing the input and output parameters of the algorithm. In addition to classifying the positioning as good or bad, the objective is to have a quality parameter that allows estimating the error committed in a complex environment where the uncertainty is very high. In addition, the influence of vehicle speed on the error made by the point cloud alignment algorithm will also be studied to determine whether there is any significant correlation between them. For this purpose, four different metrics have been studied, two of them being new contributions to this algorithm, called Error Propagation and CorAl, while the ones called Hessian and Score are obtained from the alignment algorithm itself. Data used was previously recorded and corrected, therefore obtaining ground truth data. Once the metrics were implemented, all of them were subjected to the same experiments, thus obtaining for each instant a quality measure that allowed a fair comparison to be made. These experiments were carried out on two different routes, being simulated 5 times each. In addition, from these simulations the speed was recorded, allowing the influence study to be carried out. The results show that the best performing metrics in terms of classification and estimation were the Error Propagation and the Hessian, while being impossible to determine a threshold value for the case of CorAl. Furthermore, they show that despite being functional, the error estimation is still far from perfect. It has also been shown that the error estimation of the lateral axis of the vehicle is more complex than in the case of the longitudinal axis. Finally, a strong and positive relationship between the vehicle speed and the error made by the alignment algorithm has been found. / Autonoma fordon studeras för närvarande och en av de kritiska delarna är lokaliseringen av fordonet i omgivningen. Olika lokaliseringsmetoder har studerats genom åren, t.ex. GPS-sensorn som ofta kombineras med andra sensorer, t.ex. IMU. Situationer där fordonet korsar en tunnel, en bro eller där det helt enkelt är trafikstockningar kan leda till att fordonet tappar uppfattningen om sin position. Därför har andra metoder utvecklats, t.ex. registrering av punktmoln, där två punktmoln justeras för att hitta fordonets position på en förinställd karta. Även om punktmolnsjustering är en användbar och funktionell metod, är den inte fri från fel som kan leda till felaktig lokalisering av fordonet. Syftet med detta arbete är att utveckla och jämföra olika mätmetoder som i realtid kan mätaprestandan hos den algoritm för punktmolnsjustering som används, i detta fall Normal DistributionTransform (NDT). Därför är det viktigt att först och främst veta om den erhållna tjänsten uppfyllerde fastställda minimikraven, bara genom att känna till algoritmens in- och utgångsparametrar.Förutom att klassificera positioneringen som bra eller dålig är målet att ha en kvalitetsparametersom gör det möjligt att uppskatta det fel som begåtts i en komplex miljö där osäkerheten är myckethög. Dessutom kommer fordonshastighetens inverkan på felet som görs av algoritmen för justeringav punktmoln också att studeras för att avgöra om det finns någon signifikant korrelation mellandem. För detta ändamål har fyra olika mått studerats, varav två är nya bidrag till denna algoritm, kallade Error Propagation och CorAl, medan de som kallas Hessian och Score erhålls från själva anpassningsalgoritmen. Data har tidigare registrerats och korrigerats, vilket ger sanningsdata. När mätvärdena hade implementerats utsattes de alla för samma experiment, så att man för varje ögonblick fick ett kvalitetsmått som gjorde det möjligt att göra en rättvis jämförelse. Dessa experiment utfördes på två olika rutter, som simulerades 5 gånger vardera. Dessutom registrerades hastigheten från dessa simuleringar, vilket gjorde det möjligt att genomföra en påverkansstudie. Resultaten visar att de bäst presterande mätvärdena när det gäller klassificering och uppskattning var Error Propagation och Hessian. Dessutom visar de att feluppskattningen fortfarande är långt ifrån perfekt. Det har också visats att feluppskattningen av fordonets sidoaxel är mer komplex än i fallet med den längsgående axeln. Slutligen har ett starkt och positivt samband mellan fordonshastigheten och felet som görs av inriktningsalgoritmen hittats.

The growing need to source manufacturing activities to original equipment manufacturers has presented a strategic challenge for firms in evaluating and selecting supplier partners for their products. Supplier performance evaluation is a well-researched area within supply chain management. Though several authors have contributed with models for supplier selection, there still exist uncertainties regarding how high-tech start-up firms should capitalize on these models. By conducting a case study at AB Realisator Management Consulting currently developing a new firefighting robot concept called FUMO™, the authors were able to develop a model for supplier selection and test it on a real case scenario. Results indicate that high-tech start-up firms in general should apply the following step-by-step process for selecting suppliers: Align supply chain strategy with product characteristics regarding supply and demand uncertainty, select supplier performance metrics from the comprehensive bank of metrics presented in this thesis related to the supply chain strategy, evaluate suppliers based on the selected performance metrics using the decision making framework Analytic Hierarchy Process (AHP). By following the suggested process step by step, incorporating performance metrics to the AHP structure, high-tech start-up firms will be able to find strategically suitable suppliers to manufacture their products. / Det växande behovet av att lägga ut tillverkningsverksamhet till externa leverantörer har bidragit med en strategisk utmaning för företag, gällande att utvärdera och välja leverantörer för sina produkter. Leverantörsutvärdering är ett väl utforskat område inom supply chain management. Även om flera författare har bidragit med modeller för leverantörsutvärdering, finns det fortfarande oklarheter om hur högteknologiska nystartsföretag bör dra nytta av dessa modeller. Genom att utföra en fallstudie på AB Realisator Management Consulting som för närvarande utvecklar ett nytt robotkoncept för brandförsvaret, har författarna kunnat utveckla en modell för val av leverantörer, samt testat den på ett verkligt scenario. Resultat visar att högteknologiska nystartsföretag i allmänhet bör tillämpa följande steg-för-steg-process för val av leverantörer: Matcha supply chain-strategi med produktattribut baserat på osäkerhet i tillgång och efterfrågan, välja mätvärden relaterade till vald supply chain-strategi från den omfattande mätvärdesbanken som presenteras i denna avhandling, utvärdera leverantörer utifrån valda mätvärden genom att applicera beslutsverktyget Analytic Hierarchy Process (AHP). Genom att följa den föreslagna processen steg för steg kommer högteknologiska nystartsföretag kunna välja strategiskt lämpliga leverantörer för att tillverka sina produkter.

Syfte är att bidra med kunskap kring KPI:ers, efter engelskans Key Performance Indicator, vikt i den digitala transformationen vars mål är att realisera verksamhetens strategi. Hypotesen är att KPI:er kan användas som styrmedel i att påskynda digital transformation och att det därför finns skäl i att studera dess existens och utformning. Frågan man vill få svar på är ifall KPI:er används som styrmedel för att påskynda digital transformation. Baserat på det teoretiska ramverket och det empiriska underlaget kan man konstatera att KPI:er, kopplade till digital förflyttning, har en tydlig relation till organisationens digitala mognad där mognare organisationer har KPI:er kopplade till digital innovation medan de mindre mogna fokuserar främst på intern effektivitet som digitalisering ger upphov till. Vi kan också konstatera att digitala KPI:er förekommer men de traditionella är fortfarande viktigast, då man har svårt att definiera vad som ingår i digital transformation, iallafall för de undersökta organisationerna. Trots faktumet att traditionella KPI:er fortfarande dominerar de undersökta organisationernas ledningsagenda, är KPI:er som förknippas med de nya digitala affärsmodellerna på stark frammarsch.

The relationship between Objective Metrics (OM) and Subjective Assessments (SA) has been analyzed by people using different methods. This paper continues Gaspar Gil Gómez’s research over test method development by use of SOM-GRNN, aiming to find correlations between OM and SA. In this paper, CAE simulation is performed to analyze the relationship between OM and vehicle parameters. First impression test is refined and one more dataset has been added in order to populate SOM-GRNN map. This paper also conducts analysis over SOM and GRNN algorithms, and explores several possible applications using SOM-GRNN map. Finally the whole SOM-GRNN system is integrated and a User Interface is built in GUI for future research and application. The system can still be improved by populating database, refining SA evaluation method and optimizing SOM-GRNN training algorithms. / Relationen mellan målmetri (OM) och subjektiv bedömning (SA) har analyserats av personer som använder olika metoder. I detta dokument fortsätter Gaspar Gil Gómezs forskning kring testmetodutveckling med hjälp av SOM-GRNN, som syftar till att finna korrelationer mellan OM och SA. I detta papper utförs CAE-simulering för att analysera förhållandet mellan OM och fordonsparametrar. Första intryckstestet är raffinerat och ytterligare en dataset har lagts till för att fylla i SOM-GRNN-kartan. I detta dokument analyseras även SOM- och GRNN-algoritmer, och undersöker flera möjliga tillämpningar med hjälp av SOM-GRNN kartan. Slutligen är hela SOM-GRNN-systemet integrerat och ett användargränssnitt är byggt i GUI för framtida forskning och tillämpning. Systemet kan fortfarande förbättras genom att fylla i databasen, förädla SA utvärderingsmetod och optimera SOM-GRNN träningsalgoritmer.

Idag finns mängder av företag i olika branscher, stora som små, som vill förutsäga sin försäljning. Det kan bland annat bero på att de vill veta hur stort antal produkter de skall köpa in eller tillverka, och även vilka produkter som bör investeras i över andra. Vilka varor som är bra att investera i på kort sikt och vilka som är bra på lång sikt. Tidigare har detta gjorts med intuition och statistik, de flesta vet att skidjackor inte säljer så bra på sommaren, eller att strandprylar inte säljer bra under vintern. Det här är ett simpelt exempel, men hur blir det när komplexiteten ökar, och det finns ett stort antal produkter och butiker? Med hjälp av maskininlärning kan ett sånt här problem hanteras. En maskininlärningsalgoritm appliceras på en tidsserie, som är en datamängd med ett antal ordnade observationer vid olika tidpunkter under en viss tidsperiod. I den här studiens fall är detta försäljning av olika produkter som säljs i olika butiker och försäljningen ska prediceras på månadsbasis. Tidsserien som behandlas är ett dataset från Kaggle.com som kallas för “Predict Future Sales”. Algoritmerna som används i för den här studien för att hantera detta tidsserieproblem är XGBoost, MLP och MLR. XGBoost, MLR och MLP har i tidigare forskning gett bra resultat på liknande problem, där bland annat bilförsäljning, tillgänglighet och efterfrågan på taxibilar och bitcoin-priser legat i fokus. Samtliga algoritmer presterade bra utifrån de evalueringsmått som användes för studierna, och den här studien använder samma evalueringsmått. Algoritmernas prestation beskrivs enligt så kallade evalueringsmått, dessa är R², MAE, RMSE och MSE. Det är dessa mått som används i resultat- och diskussionskapitlen för att beskriva hur väl algoritmerna presterar. Den huvudsakliga forskningsfrågan för studien lyder därför enligt följande: Vilken av algoritmerna MLP, XGBoost och MLR kommer att prestera bäst enligt R², MAE, RMSE och MSE på tidsserien “Predict Future Sales”. Tidsserien behandlas med ett känt tillvägagångssätt inom området som kallas CRISP-DM, där metodens olika steg följs. Dessa steg innebär bland annat dataförståelse, dataförberedelse och modellering. Denna metod är vad som i slutändan leder till resultatet, där resultatet från de olika modellerna som skapats genom CRISP-DM presenteras. I slutändan var det MLP som fick bäst resultat enligt mätvärdena, följt av MLR och XGBoost. MLP fick en RMSE på 0.863, MLR på 1.233 och XGBoost på 1.262 / Today, there are a lot of companies in different industries, large and small, that want to predict their sales. This may be due, among other things, to the fact that they want to know how many products they should buy or manufacture, and also which products should be invested in over others. In the past, this has been done with intuition and statistics. Most people know that ski jackets do not sell so well in the summer, or that beach products do not sell well during the winter. This is a simple example, but what happens when complexity increases, and there are a large number of products and stores? With the help of machine learning, a problem like this can be managed easier. A machine learning algorithm is applied to a time series, which is a set of data with several ordered observations at different times during a certain time period. In the case of this study, it is the sales of different products sold in different stores, and sales are to be predicted on a monthly basis. The time series in question is a dataset from Kaggle.com called "Predict Future Sales". The algorithms used in this study to handle this time series problem are XGBoost, MLP and MLR. XGBoost, MLR and MLP. These have in previous research performed well on similar problems, where, among other things, car sales, availability and demand for taxis and bitcoin prices were in focus. All algorithms performed well based on the evaluation metrics used by the studies, and this study uses the same evaluation metrics. The algorithms' performances are described according to so-called evaluation metrics, these are R², MAE, RMSE and MSE. These measures are used in the results and discussion chapters to describe how well the algorithms perform. The main research question for the study is therefore as follows: Which of the algorithms MLP, XGBoost and MLR will perform best according to R², MAE, RMSE and MSE on the time series "Predict Future Sales". The time series is treated with a known approach called CRISP-DM, where the methods are followed in different steps. These steps include, among other things, data understanding, data preparation and modeling. This method is what ultimately leads to the results, where the results from the various models created by CRISP-DM are presented. In the end, it was the MLP algorithm that got the best results according to the measured values, followed by MLR and XGBoost. MLP got an RMSE of 0.863, MLR of 1,233 and XGBoost of 1,262

The smartphone industry has grown immensely in recent years. The two leading platforms, Google Android and Apple iOS, each feature marketplaces offering hundreds of thousands of software applications, or apps. The vast selection has facilitated a maturing industry, with new business and revenue models emerging. As an app developer, basic statistics and data for one's apps are available via the marketplace, but also via third-party data sources. This report regards how mobile software is evaluated and rated quantitatively by both endusers and developers, and which metrics are relevant in this context. A selection of freely available third-party data sources and app monitoring tools is discussed, followed by introduction of several relevant statistical methods and data mining techniques. The main object of this thesis project is to investigate whether findings from app statistics can provide understanding in how to design more successful apps, that attract more downloads and/or more revenue. After the theoretical background, a practical implementation is discussed, in the form of an in-house application statistics web platform. This was developed together with the app developer company The Mobile Life, who also provided access to app data for 16 of their published iOS and Android apps. The implementation utilizes automated download and import from online data sources, and provides a web based graphical user interface to display this data using tables and charts. Using mathematical software, a number of statistical methods have been applied to the collected dataset. Analysis findings include different categories (clusters) of apps, the existence of correlations between metrics such as an app’s market ranking and the number of downloads, a long-tailed distribution of keywords used in app reviews, regression analysis models for the distribution of downloads, and an experimental application of Pareto’s 80-20 rule which was found relevant to the gathered dataset. Recommendations to the app company include embedding session tracking libraries such as Google Analytics into future apps. This would allow collection of in-depth metrics such as session length and user retention, which would enable more interesting pattern discovery. / Smartphonebranschen har växt kraftigt de senaste åren. De två ledande operativsystemen, Google Android och Apple iOS, har vardera distributionskanaler som erbjuder hundratusentals mjukvaruapplikationer, eller appar. Det breda utbudet har bidragit till en mognande bransch, med nya växande affärs- och intäktsmodeller. Som apputvecklare finns grundläggande statistik och data för ens egna appar att tillgå via distributionskanalerna, men även via datakällor från tredje part. Den här rapporten behandlar hur mobil mjukvara utvärderas och bedöms kvantitativt av båda slutanvändare och utvecklare, samt vilka data och mått som är relevanta i sammanhanget.  Ett urval av fritt tillgängliga tredjeparts datakällor och bevakningsverktyg presenteras, följt av en översikt av flertalet relevanta statistiska metoder och data mining-tekniker. Huvudsyftet med detta examensarbete är att utreda om fynd utifrån appstatistik kan ge förståelse för hur man utvecklar och utformar mer framgångsrika appar, som uppnår fler nedladdningar och/eller större intäkter. Efter den teoretiska bakgrunden diskuteras en konkret implementation, i form av en intern webplattform för appstatistik. Denna plattform utvecklades i samarbete med apputvecklaren The Mobile Life, som också bistod med tillgång till appdata för 16 av deras publicerade iOSoch Android-appar. Implementationen nyttjar automatiserad nedladdning och import av data från datakällor online, samt utgör ett grafiskt gränssnitt för att åskådliggöra datan med bland annat tabeller och grafer. Med hjälp av matematisk mjukvara har ett antal statistiska metoder tillämpats på det insamlade dataurvalet. Analysens omfattning inkluderar en kategorisering (klustring) av appar, existensen av en korrelation mellan mätvärden såsom appars ranking och dess antal nedladdningar, analys av vanligt förekommande ord ur apprecensioner, en regressionsanalysmodell för distributionen av nedladdningar samt en experimentell applicering av Paretos ”80-20”-regel som fanns lämplig för vår data. Rekommendationer till appföretaget inkluderar att bädda in bibliotek för appsessionsspårning, såsom Google Analytics, i dess framtida appar. Detta skulle möjliggöra insamling av mer detaljerad data såsom att mäta sessionslängd och användarlojalitet, vilket skulle möjliggöra mer intressanta analyser.