基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的肺部加權(quán)頻差電阻抗成像方法*

白世展 李文勝 林海軍 李建閩 張甫 楊宇祥

（湖南師范大學工程與設(shè)計學院，長沙 410081）

電阻抗成像（electrical impedance tomography，EIT）旨在通過附著于目標表面陣列電極給予受試者微弱的安全電流激勵，循環(huán)測量表面電壓響應(yīng)，重建目標內(nèi)部的電導率分布（變化）［1-2］，進而反映不同目標組織或器官的功能和結(jié)構(gòu)信息［3-4］。EIT具有無創(chuàng)、便攜、成本低、可連續(xù)監(jiān)測等優(yōu)點，近些年已被廣泛應(yīng)用于人體肺部損傷的診斷［5］和機械通氣的實時監(jiān)測［6-7］，以及氣胸的檢測［8］等。

通過對肺部進行EIT成像來監(jiān)測呼吸是EIT技術(shù)最重要的醫(yī)學應(yīng)用，肺部EIT已經(jīng)用于機械通氣患者的管理，它可以指導機械通氣壓力、容量和呼吸頻率的設(shè)置［9］。肺部充氣時由于肺泡間隔變薄和延長，肺部內(nèi)區(qū)域與周圍組織之間的電導率差異較大，將會損害電流的通過。安靜呼吸時肺組織阻抗變化約5%，而在深呼吸時（從殘余容量到總肺容量）阻抗變化可達300%［2］，阻抗值大小與肺內(nèi)含氣量有著密切關(guān)系。肺部EIT圖像重建技術(shù)基于對呼吸時肺部電阻率變化的估計［10］，而肺部呼吸氣時氣體容量不斷發(fā)生變化，導致其電導率分布處于持續(xù)變化的狀態(tài)，因此為EIT成像技術(shù)在肺通氣分布監(jiān)測提供了天然的基礎(chǔ)條件，從而能夠動態(tài)、實時監(jiān)測隨著呼吸運動肺內(nèi)氣體分布及其動態(tài)變化［11］。

傳統(tǒng)EIT成像采用基于單一頻率下阻抗測量的絕對成像方法［12］，測量組織或器官阻抗絕對值Z重建圖像雖然可行，但其對EIT正演模型中的待測域幾何建模誤差非常敏感［13］，給胸腔肺部成像帶來一定困難。差分成像通過兩個測量狀態(tài)之間的阻抗差異容忍幾何建模誤差，重建胸腔內(nèi)部電導率變化［14］，主要分為時差電阻抗成像（time difference EIT，td-EIT）和頻差電阻抗成像（frequency difference EIT，fd-EIT）。td-EIT方法通過不同時刻線性阻抗差對肺部通氣分布進行可視化描述［6］，有效減少重建圖像偽影。然而，針對于生物應(yīng)用，隨著時間的改變、溫度變化以及細胞活動而導致背景電導率不斷改變［15］，以及在發(fā)病或者急診狀態(tài)進入治療的患者往往缺乏健康狀態(tài)的時間阻抗基線參考數(shù)據(jù)，都將阻止檢測到臨床相關(guān)變化而耽誤治療診斷［16-17］。因此，td-EIT僅適用于短期監(jiān)測。

fd-EIT方法使用多個激勵頻率同時刻阻抗數(shù)據(jù)來反映電導率相應(yīng)變化［18］。fd-EIT不僅能夠像td-EIT一樣有效地消除常見邊界幾何誤差，而且允許在數(shù)據(jù)收集速度較快情況下消除由身體運動引起的偽影，同時降低逆問題的自由度和病態(tài)性，可獲得增強的重構(gòu)圖像［19］。與td-EIT算法相比，fd-EIT算法利用寬頻激勵信號一次獲取多個頻率點的瞬時生物電阻抗信息［20］，可準確記錄生命時變系統(tǒng)某時刻的瞬時阻抗譜信息，分析生物的頻率相關(guān)行為［21-22］。同時，fd-EIT不需要過去時刻阻抗參考，能夠解決實際臨床環(huán)境中胸腔參考阻抗難以獲得的限制［23］。在fd-EIT中使用兩個頻率之間的加權(quán)阻抗差來生成內(nèi)部電導率分布隨頻率變化的加權(quán)頻差電阻抗圖像（the weighted fd-EIT，wfd-EIT），使得背景物質(zhì)的電導率變化被抑制，而目標組織的電導率變化大小被增強［18］。wfd-EIT在實際臨床應(yīng)用中成為肺部EIT研究的一個重要轉(zhuǎn)變，允許在沒有時間變化的情況下重建目標組織，其更能滿足醫(yī)療急診救護所需［23］。

胸腔EIT可視化的實質(zhì)是解決逆問題，即圖像重建。由于未知量（即空間電導率的數(shù)量）遠多于測量的阻抗數(shù)量，導致圖像重建成為一個嚴重的非線性、不適定和病態(tài)問題［24］。傳統(tǒng)的圖像重建算法［25］分為非迭代算法（反投影法、敏感矩陣法和正則化法）以及迭代算法（高斯-牛頓算法及改進算法），通過最小化懲罰函數(shù)來獲得逆問題的近似最優(yōu)解。然而，傳統(tǒng)圖像重建方法對正問題建模有著高度依賴性，并且對其他復雜的建模因素（如電極位置、邊界形狀和接觸阻抗）極其敏感［24］，根據(jù)線性近似來重建圖像所得的空間分辨率很難達到高精度，不能直接應(yīng)用于具有明顯個體差異的醫(yī)學可視化任務(wù)［26］。近年來，在計算機視覺領(lǐng)域得到廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)學習，為解決逆問題的非線性化聯(lián)系提供了新的思路。神經(jīng)網(wǎng)絡(luò)中非線性模式下的特征提取和參數(shù)重建可以為EIT提供更好的成像求解方法，避免正問題中的敏感矩陣計算和圖像重建逆問題線性化，通常采用反向傳播、Hopfield和徑向基函數(shù)等有效可靠的神經(jīng)網(wǎng)絡(luò)建立網(wǎng)絡(luò)模型。而相比于其他神經(jīng)網(wǎng)絡(luò)，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（radial basis function neural network，RBFNN）的優(yōu)勢在于對EIT逆問題求解的非線性模型擁有強大的全局逼近能力，可以很好地逼近任意連續(xù)函數(shù)［27］。通過邊界加權(quán)頻差阻抗矩陣直接重建肺部wfd-EIT圖像，能夠滿足圖像重建的要求。

鑒于RBFNN的上述優(yōu)勢，本文提出基于RBFNN的肺部wfd-EIT方法，用于重建肺部呼吸的多個wfd-EIT幀圖像，在保證成像速度基礎(chǔ)上進一步提高圖像重建質(zhì)量。首先通過COMSOL和MATLAB聯(lián)合仿真建立了2 028個數(shù)據(jù)仿真樣本集，分為互不重疊的訓練集和測試集。利用訓練集訓練網(wǎng)絡(luò)模型，使用測試集驗證所提出方法的可行性并比較Tikhonov-Noser和RBFNN方法的準確性。其次，通過所建立胸腔模型中具有不同電學模型的生物組織來模擬肺部圖像組織電導率分布，進行16電極wfd-EIT系統(tǒng)成像實驗，測量所得數(shù)據(jù)用于比較Tikhonov-Noser和RBFNN方法的成像準確性。

1 數(shù)值分析與方法

1.1 wfd-EIT數(shù)學模型

EIT正問題中，根據(jù)已知電流和電導率分布計算得到胸腔分布阻抗值。從電磁場理論出發(fā)，EIT正演模型從麥克斯韋電磁方程組的一個子集的低頻近似和一些混合Dirichlet/Neumann邊界條件數(shù)學上建立［28］，胸腔邊界阻抗測量可表示為以下邊值問題：

式中Ω表示場域，σx，y表示場域內(nèi)部的電導率分布，ux，y表示場域內(nèi)電位分布函數(shù)。

待測場生物組織可視為離子導電體，內(nèi)部單元電導率σx，y和可測參數(shù)邊界電極間電位?的函數(shù)關(guān)系為：

式中?Ω表示場域邊界，n表示場域Ω的外法向單位向量，jx，y表示流入場域Ω的激勵電流密度。

wfd-EIT測量基于四電極測量策略，采用相鄰電流驅(qū)動方法。邊界電流激勵I(lǐng)采用作者前期所優(yōu)化的等幅值低波峰因數(shù)（CF，峰值/有效值）多頻正弦（multisine）信號［20］，能夠提供更多能量來保障多個頻率阻抗測量精度。離散的multisine激勵信號I（n）：

式中Am，fm，φm分別表示multisine信號以基波周期f0為1 kHz的第m次諧波幅值、模擬頻率和初相位，m為正整數(shù)。fs為系統(tǒng)采樣頻率，N為采樣點數(shù)。使用multisine激勵信號在一個基波周期內(nèi)即可完成各個頻率點阻抗矢量Z的測量：

其中ε(σ)為背景電導率的變化影響，e為測量噪聲。

采用wfd-EIT成像方法，使用兩個頻率之間的加權(quán)阻抗差來生成內(nèi)部電導率分布隨頻率變化的圖像，可避免難以準確獲取時間阻抗基線參考數(shù)據(jù)的問題，并抑制背景阻抗ε(σ)和測量噪聲e對測量結(jié)果影響，增強肺部通氣區(qū)域的阻抗變化。由式（4）可得在不同頻率（f1，f2）下加權(quán)阻抗變化矢量：

其中系數(shù)α為兩個不同頻率阻抗矢量之間的內(nèi)積比，為計算內(nèi)積符號。

wfd-EIT圖像重建的目的是通過給定電流密度，研究加權(quán)頻差阻抗數(shù)據(jù)ΔZ對復雜電導率分布變化Δσ的敏感性：

其中，J為靈敏度矩陣。

1.2 徑向基網(wǎng)絡(luò)方法

RBFNN是一種性能良好的前饋式神經(jīng)網(wǎng)絡(luò)，其基本結(jié)構(gòu)由輸入層、隱含層和預(yù)測層組成（圖1）。其中，輸入層到預(yù)測層的非線性變換能夠逼近任意非線性函數(shù)，加快學習收斂速度和避免局部極小問題。

Fig. 1 Network framework of radial basis function neural network

Fig. 2 The parameter learning process of the RBFNN network algorithm

Fig. 3 The mapping model of image reconstruction for wfd-EIT based on RBFNN

Fig. 4 Partial sample distribution

Fig. 5 Reconstructions of lung phantoms from modeling with different methods

Fig. 6 Experimental equipment hardware system

Fig. 7 Experimental reconstruction results of wfd-EIT based on Tikhonov-Noser or RBFNN

在網(wǎng)絡(luò)運算結(jié)構(gòu)中，輸入層為加權(quán)頻差阻抗ΔZ=[Δz1，Δz2，…，Δzi]T，隱含層選取高斯函H=[h1，h2，…，hj]T。

其中，B=[b1，b2，…，bj]T為基寬向量，C=[c1，c2，…，cj]T為中心向量。假設(shè)隱含層到預(yù)測層之間的連接權(quán)值向量為W=[w1，w2，…，wj]T，則RBFNN期望輸出電導率ΔσP=[Δσ1，Δσ2，…，Δσi]T計算為：

網(wǎng)絡(luò)結(jié)構(gòu)中的中心向量C，基寬向量B和權(quán)值向量W均需要訓練學習。

a.利用K-Means聚類算法初始化i個聚類中心確定中心向量C，可由下式調(diào)整中心cj：

b.利用K最近鄰（K-Nearest Neighbor，KNN）分類算法確定基寬向量B，可由下式調(diào)整中心bj：

式中：dj為所選聚類中心之間最大距離。

c.利用粒子群優(yōu)化算法（particle swarm optimization，PSO）優(yōu)化權(quán)值向量W，確定粒子群規(guī)模即隨機生成粒子群的（速度矩陣V和位置矩陣P），通過迭代找到最優(yōu)解。每次迭代，粒子通過跟蹤局部極值pbest和全局極值來自主更新。位置矩陣P（權(quán)值向量W）初始值為：W=H，·Δσ。

使用均方根誤差（root mean square error，RMSE）作為PSO的適應(yīng)度函數(shù)，來度量粒子空間位置的優(yōu)劣。

式中：ΔσP為期望輸出值，ΔσT為訓練樣本值，N為訓練樣本元素總數(shù)。

粒子通過自己的經(jīng)驗和同伴中最好的經(jīng)驗來決定下一步的運動，不斷更新自身速度Vij和位置Pij：

滿足結(jié)束條件，停止迭代，粒子群的全局極值gbest即是RBFNN連接權(quán)值的最優(yōu)解。RBFNN全局網(wǎng)絡(luò)流程如圖2所示。

1.3 評價標準

為了比較EIT加權(quán)頻差圖像重建質(zhì)量，使用圖像相關(guān)系數(shù)（image correlation coefficient，ICC）來衡量重建圖像和真實模型之間的誤差和相似性。計算肺區(qū)域比（lung regional ratio，LRR）作為衡量重建圖像的形狀性能。

圖像相關(guān)系數(shù)ICC表示預(yù)測重建圖像和實際之間的非線性改變，定義為：

式中：N為節(jié)點數(shù)，為實際測試和仿真計算所得的各節(jié)點電導率變化值及其平均值。ICC范圍為［0，1］，數(shù)值越接近于1則重建圖像與真實圖像誤差越小，圖像結(jié)構(gòu)更相似，重建方法更精確。

為了對圖像形狀度量，首先定義SRV為目標區(qū)域的形狀總面積，SΔ(i)表示第i個剖分網(wǎng)格三角面積，j為SΔ(i)為節(jié)點坐標下標值，SGT為剖分網(wǎng)格中目標區(qū)域面積，其對應(yīng)關(guān)系為：SRV=∑SGT(i)。定義電導率變化振幅平均值作為計算SGT的閾值，SGT可計算得：

肺區(qū)域比LRR為截面下肺部通氣區(qū)域相對于胸腔總區(qū)域的占比，定義為：

式中：SSV表示胸部截面除肺部以外區(qū)域的面積，SRV即為肺部通氣面積。LRR代表肺通氣區(qū)域面積比，可用數(shù)值表示肺通氣擴張功能狀況，實驗中所用模型占比最大為0.383。

2 模型仿真驗證

2.1 數(shù)據(jù)集模型

Gabriel等［29］研究人體組織及器官在10 Hz~20 GHz頻率范圍內(nèi)的介電特性，為研究生物阻抗譜提供重要參考標準。空氣電導率恒為0 S/m，本文仿真樣本中的正常肺組織、肌肉以及其他組織電導率值均來自于該數(shù)據(jù)庫。人體胸腔相關(guān)器官組織在部分頻率下的電導率和相對介電常數(shù)如表1所示。

Table 1 Electrical characteristics data of some human tissues

Table 2 Average ICC values of reconstructed images at different excitation frequencies and LRR values under maximal ventilation in the test set

Table 3 ICC and LRR values of experimental reconstructed images

基于胸腔CT掃描圖片，提取人體真實胸部輪廓與肺部輪廓組合為二維胸腔肺部模型。為了研究肺部在不同頻率下的EIT運動，使用COMSOL和MATLAB聯(lián)合仿真，在研究頻域電流場中對生物組織構(gòu)建不同頻率仿真數(shù)據(jù)集進行有限元網(wǎng)格剖分計算。仿真模擬通過均勻分布在胸腔第4~5肋骨間的16個電極片采集胸腔表面阻抗數(shù)據(jù)，模擬重建場域內(nèi)部電導率分布，使用相鄰法測量模式，激勵電流為3 mA，測量激勵頻率分量為2、3、5、7、11、13、17、19、29、37、53、101、139、193、269、373 kHz。數(shù)據(jù)集需要包括邊界加權(quán)阻抗差值矩陣（參考頻率f1統(tǒng)一選擇為2 kHz）以及相對應(yīng)的內(nèi)部節(jié)點電導率變化分布矩陣，輸入如圖3所示的神經(jīng)網(wǎng)絡(luò)工作框圖進行訓練及預(yù)測。

圖4所示為仿真中不同樣本的分布情況。按照構(gòu)造肺部不同通氣狀態(tài)大小目標，共計進行2 028次數(shù)值仿真計算，以獲得不同電導率分布在不同頻率下的電導率變化和邊界阻抗加權(quán)變化。其中，隨機選擇1 800個數(shù)值樣本用于訓練，剩余228個樣本用于測試。

針對圖4中所示的每個實驗樣本仿真得到的數(shù)據(jù)集都包括1 304個電導率分布變化值和相對應(yīng)208個邊界阻抗加權(quán)變化值，且分別歸一化處理到［0，1］的范圍。其中邊界阻抗加權(quán)變化值是在不同頻率下測得的阻抗數(shù)據(jù)進行加權(quán)相減所得，用作網(wǎng)絡(luò)模型特征輸入，相對應(yīng)場域電導率分布變化值作為網(wǎng)絡(luò)模型標簽輸出。

2.2 數(shù)據(jù)仿真結(jié)果

本文分別采用Tikhonov-Noser和RBFNN方法進行加權(quán)頻差圖像重建實驗。選取圖4中測試集樣本模型在部分頻率下的加權(quán)頻差阻抗重建圖像（圖5）。表2為測試集重建結(jié)果圖像相關(guān)參數(shù)ICC在不同頻率下對應(yīng)的平均值，并計算當肺部達到最大擴張時所對應(yīng)的LRR參數(shù)。

基于傳統(tǒng)的Tikhonov-Noser重建方法重構(gòu)所得圖像邊緣模糊，且圖像存在偽影（圖5）。Tikhonov-Noser重建方法在各個頻率下圖像ICC值均不超過0.70，LRR比樣本實際占比大。與Tikhonov-Noser重建方法相比，基于RBFNN的頻差成像方法重影的圖像偽影更少，更加準確地表現(xiàn)出圖像輪廓信息。不僅準確反映出不同肺部模型在任意激勵下的目標位置，所得圖像具有更好的ICC（平均達到0.940以上）?；赗BFNN的wfd-EIT不僅能夠滿足瞬時成像的需求，并且進一步提高重建圖像質(zhì)量，更為準確重建得到目標圖像的空間位置與大小分布。

3 加權(quán)頻差成像實驗

3.1 系統(tǒng)設(shè)備

針對前文所述的檢測成像方法，采用16電極wfd-EIT系統(tǒng)對待測物進行測量采集，開發(fā)出wfd-EIT系統(tǒng)硬件設(shè)備實物，系統(tǒng)各頻率點的SNR較為均衡，平均SNR為55.3 dB，平均標準差為±6.2 dB。圖6a給出了設(shè)備原理圖，包括現(xiàn)場可編程門陣列（FPGA）模塊、雙通道14位125 Msps的DAC與ADC模塊、模擬前端與電極陣列（含恒流源、差分放大電路、電極切換電路等）以及計算機和一個胸腔肺部模型（長15.8 cm，寬10.0 cm）。胸腔肺部模型是根據(jù)仿真中的胸腔肺部輪廓等比例所建立的，采用16個弧形銅質(zhì)電極，寬度與之間間隔呈1∶1.5的比例均勻圍繞于模型。

3.2 實驗方法

如圖6b，制作高度6 cm、內(nèi)長半軸長15.80 cm、短半軸長10.00 cm的不規(guī)則胸腔輪廓用作wfd-EIT實驗測量幾何模型。實驗設(shè)置模型內(nèi)溶液電導率為0.02 S/m，采用的土豆材料（按等比例修成形似肺部的生物模型），電導率范圍為：0.10~0.20 S/m，含水量65%~76%。所選取的生物組織的電導率差異比真實胸腔肺部內(nèi)組織與氣體的差異小得多，用于模擬肺部通氣狀態(tài)，并對其進行圖像重建。

本文利用相位迭代優(yōu)化的multisine合成算法［30］合成了一種包含16個等幅值質(zhì)數(shù)偽對數(shù)頻譜分布的多頻正弦multisine激勵信號，其中各個頻率分量的歸一化幅值均為0.316 2，基波周期f0為1 kHz。擁有較低的波峰因素（CF，峰值/有效值）提供更多的能量注入待測模型，以獲得最大的阻抗測量精度。16電極的wfd-EIT系統(tǒng)采用相鄰測量模式，將一個基波周期的multisine信號離散化成4 096個點預(yù)先存儲在FPGA的ROM中，DAC在鎖相環(huán)（PLL）控制下順序讀取ROM中的波形值生成模擬multisine信號，經(jīng)過測量前端注入被測生物模型中，循環(huán)對（16-3）×16個通道在一個基波周期內(nèi)（1 ms）進行單次測量即可完成全頻阻抗測量，得到全頻16個頻率點的阻抗數(shù)據(jù)Zf（16×208）。

wfd-EIT系統(tǒng)以2 kHz激勵下的邊界阻抗數(shù)據(jù)作為基礎(chǔ)參考數(shù)據(jù)，計算得到加權(quán)頻差阻抗數(shù)據(jù)ΔZf：

其中，f為激勵頻率，Zf為待測模型在頻率為f時的阻抗數(shù)據(jù)。將ΔZf送入預(yù)先訓練好參數(shù)B、C、W的神經(jīng)網(wǎng)絡(luò)框架中計算場內(nèi)電導率變化分布Δσf：

3.3 成像結(jié)果

根據(jù)仿真結(jié)果，wfd-EIT選擇同時刻在2 kHz激勵下的邊界阻抗數(shù)據(jù)作為基礎(chǔ)參考數(shù)據(jù)，利用式（16）與（17）計算瞬時時刻的多頻加權(quán)頻差阻抗重建圖像（圖7）。表3為各個頻率下圖像重建結(jié)果與仿真模型相關(guān)度（即式（12）表示的圖像評價指標ICC），ICC越接近于1則表示成像結(jié)果相關(guān)度越高，成像質(zhì)量更佳；肺區(qū)域比LRR則表示重建圖像中的肺部通氣區(qū)域相對于胸腔區(qū)域的占比。

對實驗所建的胸腔肺部實物模型進行測量，wfd-EIT成像方法利用多頻阻抗譜同步測量實現(xiàn)目標區(qū)域的快速可視化，能夠快速得到多個頻率下的肺部wfd-EIT圖像（圖7）。Tikhonov-Noser方法圖像僅能呈現(xiàn)待測物的位置信息，其輪廓邊緣模糊，圖像依然存在偽影干擾，且擁有較低的ICC值和LRR值。而RBFNN方法能精確識別到模型中待測物位置輪廓信息，得到更為準確的成像效果。在53 kHz時wfd-EIT圖像呈現(xiàn)最高的ICC值（最高可達0.922），LRR值為0.367最接近仿真模型面積占比。在不同頻率下圖像重建效果不同，考慮是受基礎(chǔ)參考頻率選定與實驗?zāi)繕穗娞匦杂绊懀鴪D像在193 kHz和269 kHz頻率之間成像結(jié)果背景與目標顏色發(fā)生轉(zhuǎn)變則是因為，在基于2 kHz參考頻率阻抗時，胸腔和肺部的阻抗相對變化大小發(fā)生了轉(zhuǎn)變。后續(xù)考慮改進multisine激勵信號諧波頻率組合，尋找最佳基礎(chǔ)頻率以呈現(xiàn)更好的成像效果。實驗數(shù)據(jù)測試結(jié)果表明，基于RBFNN的肺部wfd-EIT方法，能夠在同一時刻呈現(xiàn)多個頻率的阻抗圖像，并且有更好的目標邊界輪廓重建能力，可定量數(shù)據(jù)評估肺部通氣分布狀況。

4 結(jié)論

為了能夠?qū)Ψ尾客鉅顩r的EIT實時可視化，提高肺部EIT圖像重建的準確性，本文提出一種基于RBFNN的肺部wfd-EIT成像方法。依據(jù)公開生物電特性數(shù)據(jù)構(gòu)建不同頻率下的wfd-EIT胸腔肺部仿真樣本集，研究了該方法的可行性，并通過實驗進行驗證。測試集圖像重建結(jié)果與16電極wfd-EIT系統(tǒng)實驗測試結(jié)果表明，使用測量所得的阻抗數(shù)據(jù)作加權(quán)差分求解，不僅可以有效消除單次建模誤差和系統(tǒng)測量誤差的影響，而且有效避免了臨床醫(yī)學中時間阻抗基線參考數(shù)據(jù)難以準確獲取的問題，大幅提高wfd-EIT成像時間分辨率，能夠滿足對肺部呼吸運動進行實時性檢測成像的要求。同時wfd-EIT在瞬時時刻獲取不同頻率的阻抗圖像，顯現(xiàn)肺部呼吸時電特性的變化。與Tikhonov-Noser算法相比，基于RBFNN的wfd-EIT算法逼近任意非線性函數(shù)的優(yōu)點，有效提高了網(wǎng)絡(luò)模型的預(yù)測精度（測試集精度平均可達到0.940），進而提高wfd-EIT圖像的空間分辨率，具有更好的圖像重建效果和輪廓重建能力（實驗重建圖像精度高達0.922）。

在未來的研究中，將所提出的成像方法用作對肺部呼吸運動實時成像的監(jiān)測，無創(chuàng)地測量胸部阻抗，以提供通氣分布的實時成像?；谶@些優(yōu)勢，wfd-EIT方法針對呼吸疾病患者實時監(jiān)測有著重要意義。