Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2020 - zeszyt 5

Logistic regression in image reconstruction in electrical impedance tomography

Problem rekonstrukcji obrazu w elektrycznej tomografii impedancyj

10.15199/48.2020.05.19

nr katalogowy: 126141
10.15199/48.2020.05.19

Streszczenie

The problem of image reconstruction in electrical impedance tomography (EIT) consists in both performing measurements using a set of sensors and creating of reconstruction based on these measurements. The image reconstruction requires accurate modeling of area, which presents field of view. To determine the inclusion in analyzed area the logistic regression has been applied. Additionally to select the predictors in logistic regression the elasticnet method has been used.

Abstract

Problem rekonstrukcji obrazu w elektrycznej tomografii impedancyjnej (EIT) polega zarówno na wykonywaniu pomiarów przy użyciu zestawu czujników, jak i na tworzeniu rekonstrukcji na podstawie tych pomiarów. Rekonstrukcja obrazu wymaga dokładnego modelowania obszaru, który przedstawia pole widzenia. Do określenia wtrąceń w analizowanym obszarze zastosowano regresję logistyczną. Dodatkowo do wyboru predyktorów w regresji logistycznej zastosowano metodę elasticnet.

Słowa kluczowe

Keywords

Bibliografia

[1] Kr ys z yn J., Smol ik W., Radzi k B., Ol szewsk i T., Szabat in R., Switchless charge-discharge circuit for electrical capacitance tomography, Measurement Science and Technology, 25(2014), No. 11, 115009.
[2] Kr ys z yn J., Smol ik W., Toolbox for 3d modelling and image reconstruction in electrical capacitance tomography, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska (IAPGOŚ) , 7 (2017), No. 1, 137-145
[3] Romanowski A., Big Data-Driven Contextual Processing Methods for Electrical Capacitance Tomography, IEEE Transactions on Industrial Informatics, 15 (2019), No. 3, 1609- 1618
[4] Rymarczyk T., Tchórzewski P., Sikora J., Implementation of Electrical Impedance Tomography for Analysis of Building Moisture Conditions, Compel The international journal for computation and mathematics in electrical and electronic engineering, 37 (2018), No. 5, 1837- 1861
[5] Rymar c z yk T., Kłosowsk i G., Kozłowski E., Tchórzews ki P., Comparison of Selected Machine Learning Algorithms for Industrial Electrical Tomography, Sensors, 19 (2019), No. 7, 1521
[6] Rymar c z yk T., Kłosowski G., Kozłowsk i E., Non- Destructive System Based on Electrical Tomography and Machine Learning to Analyze Moisture of Buildings, Sensors, 18 (2018), No. 7, 2285
[7] Rymarczyk T., Kozłows ki E., K łosowsk i G., N ider la K., Logistic Regression for Machine Learning in Process Tomography, Sensors, 19 (2019), No. 15, 3400
[8] Rymar c z yk T., Kozłowsk i E., Kłosowski G., Adamk iewi cz P., Implementation of the LARS method to solve the inverse problem in electrical tomography, Przegląd Elektrotechniczny, 94 (2018), No. 12, 146-149
[9] Rymar c z yk T., Ni ta P., Vejar A., S tefaniak B., S i kora J., Electrical tomography system for Innovative Imaging and Signal Analysis, Przegląd Elektrotechniczny, 95 (2019), No. 6, 133-136
[10] Rymarczyk T., Kłosows ki G., Innovative methods of neural reconstruction for tomographic images in maintenance of tank industrial reactors, EksploatacjaiNiezawodnosc - Maintenance and Reliability, 20 (2019), No. 3, 425-434
[11] Rymarczyk T., Kozłows ki E., K łosows ki G., Electrical impedance tomography in 3D _ood embankments testing elastic net approach, Transactions of the Institute of Measurement and Control, 2019, doi.org/10.1177/0142331219857374
[12] Smol ik W., Kr ys z yn J., Ol s zews ki T., S zabat in R., Methods of small capacitance measurement in electrical capacitance tomography, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska (IAPGOŚ) , 7 (2017), No. 1, 105-110
[13] Liang G., Ren S., Zhao S., Dong F., A Lagrange-Newton method for EIT/UT dual-modality image reconstruction, Sensors, 19 (2019), No. 9, 1966
[14] Nissinen A., Kaipi o J.P., Vauhkonen M., Kolehmainen V., Contrast enhancement in EIT imaging of the brain, Physiological Measurement, 37 (2016), No. 1, 1-24.
[15] Wajman R., Fiderek P., Fidos H., Sankowski D., Banas iak R., Metrological evaluation of a 3D electrical capacitance tomography measurement system for two-phase flow fraction determination, Measurement Science and Technology, 24 (2013), No. 6, 065302
[16] Ye. Z., Banas iak R., Soleimani M., Planar array 3D electrical capacitance tomography, Non-Destructive Testing and Condition Monitoring, 55 (2013), No. 12, 675-680
[17] Kor zeniewska E., Wal czak M., Rymas zews ki J., Elements of Elastic Electronics Created on Textile Substrate, Proceedings of the 24th International Conference Mixed Design of Integrated Circuits and Systems, MIXDES 2017, 447-45.
[18] Osher S., Fedk iw R., Level Set Methods: An Overview and Some Recent Results, Journal of Computational Physics, 169 (2001), 463-502
[19] Polakowsk i K., Fi l i powi cz S.F., S ikora J., Rymarczyk T., Tomography technology application, Przeglad Elektrotechniczny, 84 (2008), No. 12, 227-229
[20] Psuj G., Multi-Sensor Data Integration Using Deep Learning for Characterization of Defects in Steel Elements, Sensors, 18 (2018), No. 1, 292
[21] Val is D., Mazur kiewi cz D., Application of selected Levy processes for degradation modelling of long range mine belt using real-time data, Archives of civil and mechanical engineering, 18 (2018), No. 4, 1430-1440
[22] Ziolkowsk i M., Gratkowsk i S., Zywica A.R., Analytical and numerical models of the magnetoacoustic tomography with magnetic induction, Compel The international journal for computation and mathematics in electrical and electronic engineering, 37 (2018), No. 2, 538-548
[23] Wehrens R., Chemometrics with R. Multivariate Data Analysis in the Natural Science and Life Sciences, Springer, 2011.
[24] Tibshi rani R., Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society, Series B, 58 (1996), No. 1, 267-288
[25] Zou H., Has t ie T., Regularization and variable selection via the elastic net, Journal of the Royal Statistical Society, Series B, 67 (2005), No. 2, 301-320
[26] Fr iedman J., T ibshi rani R., Has t ie T., Regularization paths for generalized linear models via coordinate descent, Journal of Statistical Software, 33 (2010), No. 1, 1-22
[27] Fox J., Weisberg S., An R companion to applied regression, SAGE Publication Inc., 2019.
[28] Has t ie T., T ibshi rani R., F r iedman J., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009.
[29] James G., Wi t ten D., Has t ie, T., T ibshi rani R., An Introduction to Statistical Learning: with Applications in R, Springer, 2017.
[30] Fawcet t T., An Introduction to ROC Analysis, Pattern Recognition Letters, 27 (2006), No. 8, 861-874.
[31] K łosowski G., Rymarczyk T., Gola A. , Increasing the reliability of flood embankments with neural imaging method, Applied Sciences 8.9 (2018), 1457.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 126141 "Logistic regression in im..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2020-5 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2020-5

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma