No description available.

No description available.

I Sverige drabbas cirka 7200 personer per år av korsbandsskador. En korsbandsskada innebär för individen lång tid av rehabilitering och eventuellt även en operation. Mot bakgrund av hur vanligt förekommande och hur allvarligt den skadade drabbas, innebär korsbandsskador ett problem även för samhället. Uppsatsen behandlar två frågeställningar, dels om det finns en skillnad mellan atlet- och kontrollgrupp i rörelsemönstret vid landningsmomentet i ett sidohopp, och dels om resultatet av den första frågeställningen förändras när analysen utförs på ett medel av olika antal repetitioner. För att besvara frågeställningarna har funktionell dataanalys (FDA) applicerats på ett datamaterial som kommer från studien Falcon 1, där en del av syftet är att förstå rehabiliteringsprocessen vid korsbandsskador. Uppsatsens resultat visar att det finns vissa skillnader i rörelsemönstret mellan atlet- och kontrollgrupp när det gäller landningsfasen av ett sidohopp på ett ben. Uppsatsen kommer också fram till att resultatet i vissa fall varierar beroende på vilka repetitioner medelkurvorna bygger på. För att säkerställa och finna orsaker till vad skillnaderna beror på rekommenderas ytterligare studier. För att vidare studera orsaken bakom de skillnader i resultat som beror på vilka repetitioner som används, rekommenderas även ytterligare studier på samma datamaterial med vissa förändringar i metod.

Det har studerats mycket inom demensområdet och med hjälp av Betulaprojektets datainsamling har många avhandlingar och artiklar skrivit. Däremot har vikten att ta hänsyn till konkurrerande utfall (competing risk), så som avlida innan utvecklad demens, inte tagits upp i någon större utsträckning. Dessa konkurrerande utfall kan ha en betydande skillnad vid beräkning av sannolikheter att drabbas av demens. Därför är syftet med denna uppsats att beräkna sannolikheter och jämföra olika kategorier av människor och deras risk att drabbas av demens när konkurrerande utfall tas med i beräkningarna. Datat består av resultat från olika minnestester, antalet utbildningsår, en demensindikator, status avliden eller vid liv samt ålder vid de två utfallen som är av intresse. De resultat och slutsatser som analysen kom fram till var att det finns en signifikant skillnad att drabbas av demens mellan könsgrupperna där kvinnor löper en större risk att drabbas av demens. Vid beräkning av det konkurrerande utfallet, avlida, löpte männen en signifikant större risk att avlida innan utvecklingen av demens. När det kommer till utbildningsnivå upptäcktes kohortskillnader innan och efter skolplikten infördes 1962. Resultatet visade på en signifikant skillnad för högskoleutbildade när det kom till att avlida innan utvecklingen av demens. Analysen visade också på säkerställda skillnader beroende på poängresultat på ett utav minnestesterna där ett högre poängresultat medgav en lägre risk att drabbas av demens.

Individers resultat på högskoleprovet är i många fall avgörande när det kommer till antagning vid Sveriges olika högskolor och universitet. Råpoängen som är antal rätt besvarade frågor omvandlas till en så kallad normerad poäng. Processen som ligger bakom denna omvandling kallas för ekvivalering och genomförs för att se till att olika svåra prov inte ska påverka individernas chanser att komma in på sina sökta utbildningar. Denna uppsats undersöker om det finns någon skillnad mellan nya moderna kernelekvivaleringsmetoder och äldre traditionella metoder när det kommer till att ekvivalera högskoleprov. Kernelvarianterna standard gaussian och uniform visade sig prestera bäst utifrån statistiska mått som t.ex. standardavvikelse jämfört med övriga metoder som analyserats. Dock var skillnaderna så pass små att en enklare traditionell metod såsom ekvipercentilekvivalering istället är att föredra.

Denna studie tar avstamp i ett tidigare resultat av Boraxbekk et al. (2015) som genom data från Betula-projektet visat att vissa episodiska minnestester tillsammans med ålder ochutbildningsnivå har signifikanta samband med utvecklandet av demenssjukdomar. Syftet med denna studie är att jämföra klassificeringsmetoderna Random Forests, Elastic Net ochLogistisk Regression med avseende på prestationer vid klassificering av demens. I studien undersöks förutom det binära fallet (demens: ja/nej) prediktionsprestationer för utveckling av demens inom tidsspannen 1-10 år och 11-22 år. Detta för att undersöka om tidig diagnostisering av demens skulle vara möjlig. Prestationerna utvärderas även för situationen då de individer som avlidit inom de upp till 22 år de följts utgör en egen klass. Resultatet visar på att ingen av klassificeringsmetoderna presterar väl nog för att möjliggöra prediktion av demens på det givna datamaterialet och att skillnaderna i de resultat som metoderna genererar är väldigt små. Ingen större skillnad kan heller påvisas för prestationerna när tidsaspekten för utvecklandet utesluts. Inte heller kan några förbättringar i prediktion av demens utläsas när de personer som avlidit inom tidsramen för studien kontrollerats för.

Human activity recognition (HAR) systems have a large set of potential applications in healthcare, e.g. fall detection and tracking physical activities. HAR systems based on wearable sensors have gained the most attraction, due to smartphones having these sensors embedded in them. This makes them a great candidate for collecting human activity sensor data. By utilizing the smartphone sensors, no other sensors need to be supplied and instead only a mobile application needs to be supplied. However, this comes with a trade-off, sensors embedded in smartphones display specific heterogeneity and biases, depending on platform and price range. Normally in such a scenario, multiple HAR systems have to be built and trained for each device. This is both a time consuming effort and gives no guarantees that the different systems will have similar activity recognition accuracy. Therefore, in this thesis, a HAR system is constructed, where classification methods and filtering techniques are explored and evaluated, in an effort to give some guidelines for how to construct a HAR system, that can be embedded in multiple platforms. This study shows that when considering a few common activities, this HAR system performs well even when sensor data is collected from multiple sources. Ensemble method AdaBoost, in combination with decision trees, gives the overall best performance. Filtering techniques, such as Butterworth and Chebyshev performs better than constant- and linear detrending. This is primarily due to their ability to distinguish between low frequency activities, such as standing and sitting. The best result in this study was given when combining Chebyshev filtering and AdaBoosted decision trees, with a F-score of 0.9877.

No description available.

No description available.

The focus of this thesis is the common principal component (CPC) model, the generalization of principal components to several populations. Common principal components refer to a group of multidimensional datasets such that their inner products share the same eigenvectors and are therefore simultaneously diagonalized by a common decorrelator matrix. Common principal component analysis is essentially applied in the same areas and analysis as its one-population counterpart. The generalization to multiple populations comes at the cost of being more mathematically involved, and many problems in the area remains to be solved. This thesis consists of three individual papers and an introduction chapter.In the first paper, the performance of two different estimation methods of the CPC model is compared for two real-world datasets and in a Monte Carlo simulation study. The second papers show that the orthogonal group and the Haar measure on this group plays an important role in PCA, both in single- and multi-population principal component analysis. The last paper considers using common principal component analysis as a tool for imposing restrictions on system-wise regression models. When the exogenous variables of a multi-dimensional model share common principal components, then each of the marginal models in the system is, up to their eigenvalues, identical. They henceform a class of regression models situated in between the classical seemingly unrelated regressions, where each set of explanatory variables is unique, and multivariate regression, where each marginal model shares the same common set of regressors.