Electrical Impedance Tomography for Anisotropic Media: a Machine Learning Approach to Classify Inclusions

要約

バックグラウンドコンダクティングボディ$ \ omega \ subset \ mathbb {r}^2 $を識別するという電気インピーダンス断層撮影（EIT）の問題を考慮します。
境界$ \ partial \ omega $およびDirichlet-to-Neumann（D-N）マトリックスによってモデル化されています。
$ \ omega $に1つの包含が確立されると、私たちのモデルは、人工ニューラルネットワーク（ANN）およびサポートベクターマシン（SVM）の機械学習技術と組み合わされて、包含のサイズを決定するために使用できます。
複数の包含物の存在、および包含内の異方性の存在。
16電極セットアップ内で実際のデータセットとシミュレーションされたデータセットの両方を利用して、包含検出率が高いことを示し、包含のサイズを予測するときに2つの測定が適切な精度を達成するのに十分であることを示します。
これは、エイトのより古典的な分析と、異方性の存在などの重要な洞察を抽出するための逆包含問題と機械学習アプローチを統合するという実質的な可能性を強調しています。

要約(オリジナル)

We consider the problem in Electrical Impedance Tomography (EIT) of identifying one or multiple inclusions in a background-conducting body $\Omega\subset\mathbb{R}^2$, from the knowledge of a finite number of electrostatic measurements taken on its boundary $\partial\Omega$ and modelled by the Dirichlet-to-Neumann (D-N) matrix. Once the presence of one inclusion in $\Omega$ is established, our model, combined with the machine learning techniques of Artificial Neural Networks (ANN) and Support Vector Machines (SVM), may be used to determine the size of the inclusion, the presence of multiple inclusions, and also that of anisotropy within the inclusion(s). Utilising both real and simulated datasets within a 16-electrode setup, we achieve a high rate of inclusion detection and show that two measurements are sufficient to achieve a good level of accuracy when predicting the size of an inclusion. This underscores the substantial potential of integrating machine learning approaches with the more classical analysis of EIT and the inverse inclusion problem to extract critical insights, such as the presence of anisotropy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google