No description available.

Bakgrund: För att bibehålla ett liv med en hög livskvalité är det viktigt att ha en tillräcklig muskelstyrka för att klara av vardagen och minska skador. Styrketräning kan utveckla skelettmuskulaturen och anses vara ett populärt träningssätt. Användningen av icke-steroida antiinflammatoriska läkemedel (NSAID) har ökat inom idrotten. Forskningsläget var sparsamt bland den yngre befolkningen, men mer forskning fanns inom området på den äldre befolkningen. Dock saknades forskning kring påverkan av olika doser under en längre användningsperiod. Syfte: Litteraturöversiktens syfte var att granska användandet av preparaten (NSAID) och tydliggöra vilken effekt dessa hade på styrkeutveckling, skelettmuskeltillväxt och signaler i skelettmuskulaturen i samband med styrketräning. Metod: Den systematiska litteraturöversikten skapades med publikationer från databaserna Pubmed och SPORT Discus där 86 studier identifierades. För att kunna besvara frågeställningen resulterade det i nio studier totalt. De valda studiernas validitet bedömdes och samtliga var av god kvalité. Resultat: Äldre runt 65 år undersöktes i fem av nio studier då alla förutom en inte påvisade någon skillnad i skelettmuskulaturen medan en påvisade en signifikant positiv effekt i muskelmassa vid intag av icke-steroida antiinflammatoriska läkemedel i jämförelse med placebo. De resterande fyra studierna var gjorda på yngre individer runt 25 år och spretade åt olika håll. Där de visade på att ingen skillnad fanns i att det blev en minskad styrkeutveckling och skelettmuskeltillväxt och att det hämmar signaler men att individerna även orkar utföra ett större arbete med läkemedlen. Slutsats: För yngre individer visade preparaten ha en hämmande effekt på muskeltillväxten men för äldre individer verkade inte muskeltillväxten påverkas. / Background: To maintain a life with a high quality of life, it is important to have sufficient muscle strength to cope with everyday life and reduce injuries. Strength training can develop skeletal muscle and is considered a popular exercise method. The use of non-steroidal anti-inflammatory drugs (NSAIDs) has increased in sports. The research situation was sparse among the younger population, but more research was found in the field of the older population. However, there was no research on the effect of different doses over a longer period of use. Purpose: The purpose of the literature review was to examine the use of the preparations (NSAIDs) and to clarify their effect on strength development, skeletal muscle growth and signals in the skeletal muscle in connection with strength training. Method: The systematic literature review was created with publications from the Pubmed and SPORT Discus databases, where 86 studies were identified. In order to answer the question, it resulted in nine studies in total. The validity of the selected studies was assessed, and all were of good quality. Results: Elderly people around the age of 65 were examined in five of nine studies, all except one showing no difference in skeletal muscle, while one showed a significant positive effect in muscle mass when taking non-steroidal anti-inflammatory drugs compared to placebo. The remaining four studies were done on younger individuals around 25 years of age and spread in different directions. Where they showed that there was no difference in the fact that there was a decrease in strength development and skeletal muscle growth and that it inhibited signals but that the individuals also can do a greater work on the drugs. Conclusion: For younger individuals, the preparations were shown to have an inhibitory effect on muscle growth, but for older individuals, muscle growth did not appear to be affected.

Deep learning is one of the hottest scientific topics at the moment. Deep convolutional networks can solve various complex tasks in the field of image processing. However, adversarial attacks have been shown to have the ability of fooling deep learning models. An adversarial attack is accomplished by applying specially designed perturbations on the input image of a deep learning model. The noises are almost visually indistinguishable to human eyes, but can fool classifiers into making wrong predictions. In this thesis, adversarial attacks and methods to improve deep learning ’models robustness against adversarial samples were studied. Five different adversarial attack algorithm were implemented. These attack algorithms included white-box attacks and black-box attacks, targeted attacks and non-targeted attacks, and image-specific attacks and universal attacks. The adversarial attacks generated adversarial examples that resulted in significant drop in classification accuracy. Adversarial training is one commonly used strategy to improve the robustness of deep learning models against adversarial examples. It is shown that adversarial training can provide an additional regularization benefit beyond that provided by using dropout. Adversarial training is performed by incorporating adversarial examples into the training process. Traditionally, during this process, cross-entropy loss is used as the loss function. In order to improve the robustness of deep learning models against adversarial examples, in this thesis we propose two new methods of adversarial training by applying the principle of Maximal Coding Rate Reduction. The Maximal Coding Rate Reduction loss function maximizes the coding rate difference between the whole data set and the sum of each individual class. We evaluated the performance of different adversarial training methods by comparing the clean accuracy, adversarial accuracy and local Lipschitzness. It was shown that adversarial training with Maximal Coding Rate Reduction loss function would yield a more robust network than the traditional adversarial training method. / Djupinlärning är ett av de hetaste vetenskapliga ämnena just nu. Djupa konvolutionella nätverk kan lösa olika komplexa uppgifter inom bildbehandling. Det har dock visat sig att motståndarattacker har förmågan att lura djupa inlärningsmodeller. En motståndarattack genomförs genom att man tillämpar särskilt utformade störningar på den ingående bilden för en djup inlärningsmodell. Störningarna är nästan visuellt omöjliga att särskilja för mänskliga ögon, men kan lura klassificerare att göra felaktiga förutsägelser. I den här avhandlingen studerades motståndarattacker och metoder för att förbättra djupinlärningsmodellers robusthet mot motståndarexempel. Fem olika algoritmer för motståndarattack implementerades. Dessa angreppsalgoritmer omfattade white-box-attacker och black-box-attacker, riktade attacker och icke-målinriktade attacker samt bildspecifika attacker och universella attacker. De negativa attackerna genererade motståndarexempel som ledde till en betydande minskning av klassificeringsnoggrannheten. Motståndsträning är en vanligt förekommande strategi för att förbättra djupinlärningsmodellernas robusthet mot motståndarexempel. Det visas att motståndsträning kan ge en ytterligare regulariseringsfördel utöver den som ges genom att använda dropout. Motståndsträning utförs genom att man införlivar motståndarexempel i träningsprocessen. Traditionellt används under denna process cross-entropy loss som förlustfunktion. För att förbättra djupinlärningsmodellernas robusthet mot motståndarexempel föreslår vi i den här avhandlingen två nya metoder för motståndsträning genom att tillämpa principen om maximal minskning av kodningshastigheten. Förlustfunktionen Maximal Coding Rate Reduction maximerar skillnaden i kodningshastighet mellan hela datamängden och summan av varje enskild klass. Vi utvärderade prestandan hos olika metoder för motståndsträning genom att jämföra ren noggrannhet, motstånds noggrannhet och lokal Lipschitzness. Det visades att motståndsträning med förlustfunktionen Maximal Coding Rate Reduction skulle ge ett mer robust nätverk än den traditionella motståndsträningsmetoden.