The use of convolutional neural networks in radio tomographic imaging

• Autorzy: Kłosowski Grzegorz , Adamkiewicz Przemysław , Sikora Jan

Identyfikatory

DOI

10.15199/48.2023.03.14

Warianty tytułu

PL

Wykorzystanie konwolucyjnych sieci neuronowych w obrazowaniu radiotomograficznym

• Języki publikacji: EN

Abstrakty

EN

This work aims to solve the problem of tracking people's movement in closed spaces. The applied solution does not require the monitored persons to have any devices with them. The method presented is to use radio tomographic imaging based on the fact that the human body is mostly water. This paper aims to show how heterogeneous and convolutional neural networks can be used to improve a radio tomographic imaging system that can accurately locate people indoors. In addition to the original algorithmic solutions, the advantages of the system include the use of properly designed and integrated devices - radio probes - whose task is to emit Wi-Fi waves and measure the strength of the received signal. Thanks to the two-step approach, the sensitivity, resolution and accuracy of imaging have increased. In addition, our solution performs well in radio tomography and other types of tomography because it is easy to understand and can be used in many ways.

PL

Niniejsza praca ma na celu rozwiązanie problemu śledzenia ruchu osób w pomieszczaniach zamkniętych. Zastosowane rozwiązanie nie wymaga, aby monitorowane osoby posiadały przy sobie jakiekolwiek urządzenia. Przedstawiony sposób polega na wykorzystaniu tomograficznego obrazowania radiowego w oparciu o fakt, że ciało ludzkie składa się w większości z wody. Niniejsze opracowanie ma na celu pokazanie, w jaki sposób niejednorodne, splotowe sieci neuronowe można wykorzystać do ulepszenia systemu obrazowania radiotomograficznego, który może precyzyjnie znajdować ludzi w pomieszczeniach. Oprócz oryginalnych rozwiązań algorytmicznych do zalet systemu należy zastosowanie odpowiednio zaprojektowanych i zintegrowanych urządzeń – sond radiowych – których zadaniem jest emitowanie fal Wi-Fi oraz pomiar siły odbieranego sygnału. Dzięki zastosowaniu podejścia dwuetapowego wzrosła czułość, rozdzielczość i dokładność obrazowania. Ponadto nasze rozwiązanie dobrze sprawdza się w tomografii radiowej i innych rodzajach tomografii, ponieważ jest łatwe do zrozumienia i może być używane na wiele sposobów.

Słowa kluczowe

EN

radio tomographic imaging; device-free localization; artificial neural networks; wireless localization

PL

tomografia radiowa; lokalizacja bez urządzeń; sztuczne sieci neuronowe; lokalizacja bezprzewodowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 3
• Strony: 94--97
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Kłosowski Grzegorz

• Lublin University of Technology, Nadbystrzycka 38A, Lublin, Poland

• https://orcid.org/0000-0001-7927-3674

autor

Adamkiewicz Przemysław

• University of Economics and Innovation, Projektowa 4, Lublin, Poland

• https://orcid.org/0000-0003-3425-9566

autor

Sikora Jan

• University of Economics and Innovation, Projektowa 4, Lublin, Poland

• https://orcid.org/0000-0002-9492-5818

Bibliografia

• [1] Styła, M., Adamkiewicz, P., Hybrid navigation system for indoor use. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12 (2022), No. 1, 10-14.
• [2] Liu, H.; Darabi, H.; Banerjee, P.; Liu, J. Survey of Wireless\Indoor Positioning Techniques and Systems. IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews, 37 (2007), 1067–1080.
• [3] Mishra, A.; Sahoo, U.K.; Maiti, S. Distributed Incremental Strategy for Radio Tomographic Imaging. In Proceedings of the 2020 IEEE 17th India Council International Conference, INDICON 2020; (2020).
• [4] Wang, Z.; Zhang, H.; Liu, H.; Zhan, S. Fast Image Reconstruction Algorithm for Radio Tomographic Imaging. Lecture Notes in Electrical Engineering, 236 (2013), 323–331, doi:10.1007/978-1-4614-7010-6_37/FIGURES/6.
• [5] Kania K., Rymarczyk T., Mazurek M., Skrzypek-Ahmed S., Guzik M., Oleszczuk P., Optimisation of Technological Processes by Solving Inverse Problem through Block-Wise Transform-Reduction Method Using Open Architecture Sensor Platform, Energies, 14 (2021), No. 24, 8295.
• [6] Cao, X.; Yao, H.; Ge, Y.; Ke, W. A Lightweight Robust Indoor Radio Tomographic Imaging Method in Wireless Sensor Networks. Progress In Electromagnetics Research M, 60 (2017), doi:10.2528/PIERM17052701.
• [7] Kłosowski G., Rymarczyk T., Kania K., Świć A., Cieplak T., Maintenance of industrial reactors supported by deep learning driven ultrasound tomography, Eksploatacja i Niezawodnosc – Maintenance and Reliability; 22 (2020), No 1, 138–147.
• [8] Koulountzios P., Aghajanian S., Rymarczyk T., Koiranen T., Soleimani M., An Ultrasound Tomography Method for Monitoring CO2 Capture Process Involving Stirring and CaCO3 Precipitation, Sensors, 21 (2021), No. 21, 6995.
• [9] Rymarczyk T., Kłosowski G., Hoła A., Hoła J., Sikora J., Tchórzewski P., Skowron Ł., Historical Buildings Dampness Analysis Using Electrical Tomography and Machine Learning Algorithms, Energies, 14 (2021), No. 5, 1307.
• [10] Rymarczyk T., Niderla K. Kozłowski E. Król K., Wyrwisz J. Skrzypek-Ahmed S., Gołąbek P., Logistic Regression with Wave Preprocessing to Solve Inverse Problem in Industrial Tomography for Technological Process Control, Energies, 14(2021), No. 23, 8116.
• [11] Korzeniewska, E., Sekulska-Nalewajko, J., Gocawski, J., Drożdż, T., Kiebasa, P., Analysis of changes in fruit tissue after the pulsed electric field treatment using optical coherence tomography, EPJ Applied Physics, 91 (2020), No. 3, 30902.
• [12] Korzeniewska, E., Krawczyk, A., Mróz, J., Wyszyńska, E., Zawiślak, R., Applications of smart textiles in post-stroke rehabilitation, Sensors (Switzerland), 20 (2020), No. 8, 2370.
• [13] Kania, W., Wajman, R., Ckript: a new scripting language for web applications, Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12(2022), No. 2, 4-9.
• [14] Tan, J.; Guo, X.; Wang, G. Link Selection in Radio Tomographic Imaging with Backprojection Transformation. Lecture Notes in Electrical Engineering (2019), 529, 487–496.
• [15] Huang, K.; Tan, S.; Luo, Y.; Guo, X.; Wang, G. Enhanced Radio Tomographic Imaging with Heterogeneous Bayesian Compressive Sensing. Pervasive Mob Comput (2017), 40, 450–463.
• [16] Cao, Z.; Wang, Z.; Fei, H.; Guo, X.; Wang, G. Generative Model Based Attenuation Image Recovery for Device-Free Localization with Radio Tomographic Imaging. Pervasive Mob Comput (2020), 66, 101205.
• [17] Szczesny, A.; Korzeniewska, E. Selection of the Method for the Earthing Resistance Measurement. Przegląd Elektrotechniczny (2018), 94, 178–181.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).