层析成像的灵敏度矩阵

一句话定义

灵敏度矩阵（Sensitivity Matrix，又称 Jacobian 矩阵） 描述的是：当传感器视场内某一小块区域的电学常数（电导率 σ、介电常数 ε 或磁导率 μ）发生微小扰动时，电极间能测到的电容 / 电导 / 电压会变化多少。

数学上它把”内部介质分布”和”边界测量值”用一个线性近似关联起来：

ΔZ = S · Δγ

其中 ΔZ 是 M 维测量变化向量、Δγ 是 N 维介质分布变化向量、S 是 M×N 的灵敏度矩阵。

ECT、ERT、EMT、EIT 等所有电学层析成像系统都要先算出这个 S 才能做图像重建。

它在解决什么问题

层析成像本质上是一个 逆问题：你只能在物体边界放电极，却想知道物体内部每个像素的电学性质。从内部分布算出边界测量是 正问题（容易，物理唯一），反过来不行——同一组边界测量可能对应多种内部分布。

灵敏度矩阵的作用就是把这个非线性的、不适定的逆问题局部线性化：

• 正问题简化：在已知背景分布附近做一阶泰勒展开，ΔZ ≈ S · Δγ
• 逆问题可解：可以用线性代数工具（LBP、Tikhonov、Landweber、SVD…）反算 Δγ
• 传感器评估：S 的行 / 列结构告诉你哪些测量、哪些区域信息含量足、哪些是”瞎区”

两种计算方法

方法 A：扰动法（直观但慢）

直接按定义算：把视场切成 N 个像素，对每个像素 i 单独施加一个小扰动 Δγ_i，做一次正问题仿真，记下所有 M 个测量的变化 ΔZ，第 i 列就填好了。

• 优点：原理直白，对任何复杂几何都适用
• 缺点：要做 N 次正问题求解；典型 ECT 视场 N=1000~3000，传感器结构稍复杂就要算几个小时

方法 B：场量法 / 互易法（工程主流）

利用电磁场的互易定理（Reciprocity Theorem），把灵敏度直接写成两套电场 / 磁场点积在像素体积内的积分：

• 电导率灵敏度 S_σ = −∫ E_A · E_B dV
• 介电常数灵敏度 S_ε = −jω ∫ E_A · E_B dV
• 磁导率灵敏度 S_μ = jω ∫ μ H_A · H_B dV
• 流速灵敏度（电磁流量层析） S_v = ∫ (v × B_A) · E_B dV

其中 E_A、H_A 是激励电极通电时的场分布，E_B、H_B 是测量电极反向通电时的场分布。只要做 n 次正问题（n = 电极对数），就能拼出整个 M×N 矩阵——速度比扰动法快 1~2 个量级。

这也是为什么 ECT/ERT 商用软件几乎全用场量法。

灵敏度分布长什么样

把 S 的某一行（对应某对电极的某一次测量）按像素位置画成热力图，就是”灵敏度分布图”。不同传感器结构的特征差异很大：

图：七种典型电容电极结构对应的归一化灵敏度分布。（a）双凹面 / （b）多对凹面 / （c）双螺旋 / （d）错位凹面 / （e）多螺旋 / （f）双半圆筒 / （g）环形。引自 Z. Cui et al., IEEE Sensors J., 21(24), 2021, Fig. 5。

• 平板 / 同轴电极对：截面内基本均匀，是含率单点测量的理想几何
• 凹面 concave 电极：典型马鞍形——电极附近灵敏度极高，中心很低
• 螺旋 helical 电极：因为周向积分效应，比凹面更均匀，适合分层流 / 环状流
• 环形 ring 电极：靠近管壁灵敏度高，适合液膜厚度测量
• ECT / ERT 阵列：每对电极都有自己的灵敏度”花瓣”，整体覆盖截面但中心区域信息密度低于壁区

设计电极结构时，目标通常是”灵敏度分布在感兴趣区域内尽可能均匀、在感兴趣区域外尽可能低”——这通常作为电极几何优化的目标函数。

软场 vs 硬场：为什么电学成像分辨率低于 CT

X 射线 CT 是 硬场：射线沿直线传播，每个像素对每条射线的衰减贡献几乎只与几何有关，灵敏度矩阵和被测对象的内容无关；逆问题是良性的。

电学层析成像是 软场：电场 / 电流场会随着介质分布的变化而重新分布，意味着灵敏度矩阵其实是 介质分布的函数 S = S(γ)。这带来几个直接后果：

• 严格说 ΔZ = S(γ) · Δγ 只有在 γ 附近的小邻域内才线性成立
• 一次性求解出的 S 用于全局重建时，远离参考分布的区域会有系统误差
• 为了减小误差，工程上常用 迭代重建：每一步先用当前估计的 γ 更新 S，再解一步线性方程
• 这也是电学层析成像空间分辨率（~5% 管径）远低于 CT（亚毫米级）的根本原因

在工程中的常见用法

• 图像重建：线性算法（LBP、Tikhonov 正则化）直接用 S^T 或 (S^T S + λI)^-1 S^T；迭代算法（Landweber、共轭梯度、神经网络）也都以 S 为前向模型
• 传感器设计验证：新设计的电极结构在物理打样之前，先用有限元算出 S，看灵敏度分布是否符合预期、有没有”瞎区”
• 测量选型：M 个测量并不等价——通过分析 S 各行的相关性、可以挑出冗余测量、设计欠采样策略减少采集时间
• 不确定度评估：S 的奇异值衰减速度反映了重建的稳定性，奇异值跨越多个数量级时需要更强的正则化
• 多模态融合：把不同模态（ECT + ERT、ECT + 超声）的灵敏度矩阵堆叠在一起，可以做联合重建，互相补足”瞎区”

想深入了解？

灵敏度矩阵的完整推导与五种 EMA 模型的关系，可以参考综述论文：Z. Cui, Q. Zhang, K. Gao, Z. Xia, H. Wang, “Electrical Impedance Sensors for Multi-Phase Flow Measurement: A Review”, IEEE Sensors Journal, Vol. 21, No. 24, Dec. 2021, pp. 27252–27267（DOI: 10.1109/JSEN.2021.3124625）。文中第二节给出了从 Maxwell 方程到灵敏度公式的完整推导，并对比了不同电极结构的灵敏度分布。

另可参考 Z. Cui 等，“A review on image reconstruction algorithms for electrical capacitance/resistance tomography,” Sensor Review, Vol. 36, No. 4, 2016, pp. 429-445，专门讨论灵敏度矩阵在各类重建算法中的应用。

下一步

如果你想先建立整体框架，建议先看 什么是层析成像；想理解层析成像如何反推含率，可以读 使用层析成像检测分相含率；选型阶段可以参考 ERT 与 ECT 怎么选。如果你正在设计自己的电极结构，欢迎 联系我们，告诉工程师你的视场尺寸与感兴趣区域，我们可以一起做灵敏度分析。