Impedance tomography method in the identification of the inside of the 3d object

• Autorzy: Stasiak M.

Warianty tytułu

PL

Identyfikacja wnętrza obiektów trójwymiarowych metodą tomografii impedancyjnej

• Języki publikacji: EN

Abstrakty

EN

The main aim of the paper is to present a multi-region BEM with quadratic interpolation function for the flat, triangular surface elements and also an efficient method based on the inverse mapping with the aid of the Neural Network (NN) and Principal Component Analysis (PCA). The identification of the location and size of the anomalies as the core of the inverse problem solution, is considered. An application of combined PCA and NN method for 3D EIT problem allows to obtain the results of inverse problem solution in real-time. In addition, PCA applied to EIT data enables reducing dimensionality of the measured data for 3D space and removing the unused part of information, usually corresponding to noise and interrelated variables, that affects the accuracy of the solution.

PL

Celem pracy było przedstawienie metody rozwiązania zagadnienia odwrotnego w przestrzennej tomografii impedancyjnej będącej połączeniem Analizy Składowych Głównych (ASG) i Sztucznych Sieci Neuronowych (SSN), umożliwiającej uzyskiwanie wyników rozwiązania w możliwie najkrótszym czasie, z zadowalającą dokładnością. W pracy zaprezentowano wykorzystanie SSN do identyfikacji parametrów wnętrza obiektów trójwymiarowych. W celu redukcji wymiaru wektora danych wejściowych, a tym samym optymalizacji struktury sieci neuronowej zastosowano metodę ASG, która oprócz redukcji wymiaru przestrzeni danych pozwoliła na wyselekcjonowanie tylko nieskorelowanych napięć międzyelektrodowych. Wraz z opracowaniem i testowaniem metody istotnym etapem przeprowadzonych badań było zaprojektowanie modelu numerycznego i akwizycja wyników rozwiązania zagadnienia prostego w ITK. W tym celu zastosowano Metodę Elementów Brzegowych (MEB), opracowując jednocześnie implementację MEB dla płaskiego elementu trójkątnego zerowego rzędu i elementu izoparametrycznego 2-go rzędu w języku C++. Zaprezentowana metoda połączenia ASG i SSN pozwala w sposób efektywny uzyskać informacje na temat parametrów identyfikowanego środowiska w zagadnieniach trójwymiarowych. Wyniki przeprowadzonych testów dowodzą , że dzięki zastosowaniu ASG możliwa jest redukcja wymiaru przestrzeni danych, wyznaczenie nieskorelowanych napięć międzyelektrodowych, a także wyeliminowanie szumów, co zdecydowanie zwiększa dokładność rozwiązania zagadnienia odwrotnego. Błąd względny identyfikacji parametrów wewnętrznych obiektów dla rozwiązania zagadnienia prostego MEB, dla trójkąta izoparamertrycznego sześciowęzłowego nie przekroczył 1%. Należy podkreślić , że w przeprowadzonych zadaniach testowych sieci neuronowe testowane były rzeczywistymi danymi pomiarowymi. Istotną zaletą podejścia neuronowego jest czas rozwiązania.

Słowa kluczowe

EN

impedance tomography; artificial neural network; principal component analysis; boundary element method

PL

tomografia impedancyjna; sieć neuronowa sztuczna; analiza składowych głównych

• Wydawca: Wydawnictwo Politechniki Łódzkiej
• Czasopismo: Zeszyty Naukowe. Elektryka / Politechnika Łódzka
• Rocznik: 2006
• Tom: z. 109
• Strony: 73--82
• Opis fizyczny: Bibliogr. 11 poz.

Twórcy

autor

Stasiak M.

• Technical University of Łódź, Institute of Electrical Apparatus

Bibliografia

• [1] Clay M.T., Ferree T.C.: Weighted Regularization in EIT with Applications Acute Cerebral Stroke, IEEE Transactions on Medical Imaging, vol.21, No.6, pp.629-637, June 2002.
• [2] Fear E.C., Hagness S.C., Meaney P.M., Okoniewski M., Stuchly M.A.: Enhancing Breast Tumor Detection with Near-Field Imaging, IEEE Microwave Magazine, March 2002.
• [3] Aliabadi M.H.: The Boundary Element Method, Volume 2, John Wiley & Sons, LTD, 2002.
• [4] Sikora J.: 3D BEM for Impedance and Optical Tomography, Internal Report, Department of Computer Science, UCL, London 2003.
• [5] Saulnier G.J., Blue R. S., Newell J. C., Isaacson D., Edic P. M.: Electrical Impedance Tomography, IEEE Signal Processing Magazine, pp.31-43, 2001.
• [6] Levy S., Adam D., Brester Y.: Electromagnetic Impedance Tomography (EMIT): A New Method for Impedance Imaging, IEEE Transactions on Medical Imaging, vol.21, No.6, pp.676-687, June 2002.
• [7] Frijns J., de Snoo S., Schoonhoven R.: Improving the Accuracy of the Boundary Element Method by the Use of Second-Order Interpolation Functions, IEEE Transactions on Biomedical Engineering, vol. 47, No.10, pp. 1336-1346, 2000.
• [8] Cichocki A., Amari S.: Adaptive blind signal and image processing, Wiley, 2002.
• [9] Jolliffe I.T.: Principal Component Analysis, Springer Series in Statistics, 1986.
• [10] Lisboa P. J. G., Ifeachor E. C., Szczepaniak P. S.: Artificial Neural Networks in Biomedicine, Springer-Verlag, London, 2000.
• [11] Ratajewicz-Mikolajczak E., Sikora J.: Neural Networks Method for Identification of Objects Behind the Screen, IEEE Transactions on Medical Imaging, Vol. 21, No. 6, pp. 613-619, June 2002.