Nowatorskie zastosowanie sztucznych sieci neuronowych w tomografii impedancyjnej
Tomografia impedancyjna (EIT) to nowoczesna technika obrazowania wykorzystywana do wizualizacji wewnętrznego rozkładu przewodności elektrycznej w badanym obiekcie na podstawie pomiarów napięć zarejestrowanych na jego powierzchni. Jako problem odwrotny, EIT wymaga zaawansowanych metod obliczeniowych do skutecznej rekonstrukcji obrazu. W najnowszym badaniu opublikowanym w Przeglądzie Elektrotechnicznym, zespół naukowców przeprowadził kompleksowe porównanie trzech wybranych metod uczenia maszynowego: Elastic Net, Least Angle Regression (LARS) oraz sztucznej sieci neuronowej (ANN), analizując ich skuteczność w kontekście rekonstrukcji obrazów EIT.
Wyniki jednoznacznie wskazują, że sztuczne sieci neuronowe są najbardziej efektywnym podejściem spośród testowanych technik. W przypadku scenariusza z pojedynczą inkluzją, sieć neuronowa osiągnęła najniższą wartość błędu RMSE (0,03016), przewyższając znacząco zarówno Elastic Net, jak i LARS, które utrzymywały RMSE na poziomie około 0,078. Oznacza to, że ANN pozwala na znacznie dokładniejsze odwzorowanie rozkładu przewodności elektrycznej w porównaniu z tradycyjnymi algorytmami regresji liniowej.
Istotnym aspektem badania była analiza wpływu liczby danych treningowych na jakość rekonstrukcji. Elastic Net i LARS osiągały stabilizację wyników po około 750 próbkach, natomiast sieć neuronowa wykazywała dalszą poprawę dokładności wraz ze wzrostem liczby przykładów treningowych, osiągając plateau dopiero po około 2250 przypadkach. To spostrzeżenie ma duże znaczenie praktyczne – pozwala bowiem zoptymalizować czas treningu modeli, unikając nadmiernego obciążenia obliczeniowego przy braku zauważalnych korzyści.
Zespół badawczy przyjrzał się także wpływowi liczby inkluzji na skuteczność rekonstrukcji. Okazało się, że choć wzrost liczby inkluzji utrudnia zadanie modeli, sztuczna sieć neuronowa nadal zachowuje wyraźną przewagę. Dla jednej inkluzji ANN osiągnęła aż 58-procentową redukcję błędu w stosunku do modeli trenowanych na mniejszych zbiorach danych. Dla dwóch i trzech inkluzji poprawa wynosiła odpowiednio 34% i 25%, co potwierdza dużą elastyczność i potencjał adaptacyjny sieci neuronowych w kontekście bardziej złożonych przypadków.
Wyniki tych badań nie tylko potwierdzają wysoką skuteczność sztucznych sieci neuronowych w rekonstrukcji obrazów EIT, ale także wskazują na dalsze kierunki rozwoju. Jednym z kluczowych kroków będzie opracowanie metod automatycznego wykrywania momentu osiągnięcia plateau w procesie treningu, co pozwoli dodatkowo zoptymalizować czas uczenia. Równocześnie planowane jest testowanie głębszych architektur sieci neuronowych, które mogą okazać się bardziej efektywne w analizie złożonych, wieloinkluzyjnych struktur przewodności.
Pełna wersja artykułu dostępna jest w Przeglądzie Elektrotechnicznym, nr 4/2024:
link do publikacji