基于EIT时序数据的STReSRNN模型：融合ResNet-34、BiLSTM与自注意力机制

基于EIT时序数据的STReSRNN模型：融合ResNet-34、BiLSTM与自注意力机制摘要电阻抗成像（Electrical Impedance Tomography, EIT）作为一种无创、无辐射的功能成像技术，能够实时监测人体胸部的阻抗变化，在肺功能评估、呼吸监测等领域具有重要应用价值。然而，EIT图像重建是一个高度病态逆问题，传统算法重建的图像质量有限，且难以充分挖掘时序维度中的动态信息。本文提出一种全新的深度学习模型——STReSRNN（Spatio-Temporal Residual Recurrent Neural Network），该模型结合了ResNet-34提取空间特征、双向长短期记忆网络（BiLSTM）捕捉时序依赖、以及自注意力机制强化关键时间点的信息，实现从EIT时序图像到生理状态（如通气量）的精准映射。本文详细阐述了模型架构、训练流程，并定义了平均一致性指数（Average Consistency Index, ACI）作为评估指标。通过仿真数据实验，验证了STReSRNN在EIT时序分析任务中的优越性。本文提供完整的PyTorch实现代码与详尽注释，为EIT时序智能分析提供一种可复现的解决方案。关键词：电阻抗成像；时序图像；ResNet-34；BiLSTM；自注意力；平均一致性指数1. 引言电阻抗成像（EIT）是一种基于边界电压测量重建内部电导率分布的新型成像技术。由于其具有无创、实时、便携等优点，EIT在临床监护（尤其是肺功能监测）、生物医学研究等