Electrical impedance tomography using a hybrid PINN–ViT model for low-power healthcare systems
Fragment książki (Materiały konferencyjne)
MNiSW
200
konferencja
| Status: | |
| Autorzy: | Majerek Dariusz, Rymarczyk Tomasz, Wójcik Dariusz, Kowalski Marcin |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Strony: | 1356 - 1358 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 31st Annual International Conference on Mobile Computing and Networking |
| Skrócona nazwa konferencji: | 31st ACM MobiCom 2025 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 4 listopada 2025 do 8 listopada 2025 |
| Miasto konferencji: | Hong Kong |
| Państwo konferencji: | CHINY |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| Electrical impedance tomography (EIT) is a non- invasive imaging technique with promising applications in mobile and embedded healthcare systems. It reconstructs internal conductivity distributions from boundary voltage measure- ments but suffers from ill-posedness, sensitivity to noise and limited spatial resolution when solved using traditional iterative methods. This work proposes a hybrid reconstruc- tion architecture that combines a Vision Transformer (ViT) with a Physics - Informed Neural Network (PINN). The trans- former extracts global contextual features from voltage mea- surements, while the PINN enforces the quasistatic conduc- tion equation with Neumann boundary conditions through a physics -informed loss function. Although trained and eval- uated on synthetic data, the proposed PINN–ViT model demonstrates improved reconstruction accuracy and noise robustness over classical algorithms and purely data-driven networks. These results indicate its potential for future de- ployment in energy-efficient, real-time EIT systems for mo- bile healthcare applications. |
