简介：针对基于能量的先验改进物理信息神经网络训练的复现需求，这份源码包聚焦电阻抗断层扫描(EIT)成像场景，面向研究PINN反演算法、能量先验建模和医学电阻抗图像重建的学者、研究生及工程开发人员，可帮助读者快速搭建实验框架并减少重复编码成本。包内共35个文件，以13个Python脚本与17个MATLAB脚本为主：Python部分承担能量先验模型、评分匹配、分类器与网络训练等任务；MATLAB部分覆盖网格生成、有限元正问题求解、心肺及异常体成像数据构造等环节；同时附有说明文档、HTML可视化页面和示例图，便于快速理解算法流程。整包仅141KB，结构按正问题求解、逆问题求解、能量先验模块划分，思路清晰，配合数据生成脚本可直接复现实验。目前已有168人学习查看，适合用于EIT反演学习、算法对比或作为后续改进的基线实现。
1. 能量先验不是锦上添花，是PINN做EIT的保命丸
做过电阻抗断层扫描（EIT）重建的人都清楚，这活儿比CT和超声都难伺候。边界上几十个电极测到的电压数据看着挺多，实际有效信息量低得可怜——你要从这些电压里反推出整个截面的电导率分布，而问题本身是严重病态的：无穷多个电导率分布能产生几乎一样的边界电压。物理信息神经网络（PINN）因为能把描述电磁场的偏微分方程直接写进损失函数，成了这两年不少人尝试的方向。但模型在真实噪声数据上很容易训偏：网络学会了满足物理方程，却忠实错解成了那个无害但没有临床意义的平凡解。我的实践经验是，单纯把EIT的物理方程塞进PINN约束不够，必须额外给解空间的形状加一个能量先验——先告诉网络“哪些电导率分布是合理的”，再让它去找物理一致的解。这个改动带来的训练稳定性提升，远比把网络加深两个数量级来得实在。
2. 为什么EIT反问题先把PINN逼疯了：病态性与能量景观
2.1 EIT逆问题为什么天生病态：对比度与边界测量
EIT的正问题在数学上很干净：给定区域内部的电导率分布σ(x)，求解拉普拉斯形式的电流场方程，再从边界电极拿到电压测量值U。反问题就是把U映射回σ。这个映射的病态程度，可以用一个简单的仿真告诉你：一个圆形区域内放两个电导率对比度1:20的小目标（比如模拟肿瘤），在16个电极的配置下，边界电压分布的变化量在噪声幅度为0.5%时就完全淹没在测量误差里了。更麻烦的是，解的个数不是有限多个，而是连续无穷多——不同形状、不同位置的内部异常完全可能给出几乎相同的边界电压。
这就是为什么EIT的临床重建一直依赖强先验。医院里常用的时间差分成像可以靠上一次的健康扫描作为基线来抵消病态性，但绝对成像（没有历史基线）就惨了，你面对的是一堆接近零的奇异值。我见过不少人在这个环节翻车：以为PINN能把物理约束当救命稻草，结果PDE残差项确实收敛到了很小，重建出来的电导率图像却是一团完全没有结构的光滑云团。
2.2 传统正则化治标不治本：TV太糙，L2太糊
先看两个最常见的传统正则化手段为什么在EIT上让人又爱又恨。L2正则（Tikhonov）把解往零或者某个平均分布拉，数学性质好，闭式解都有，但代价是重建图像被均匀模糊——要是病灶边界就是你最关心的信息，L2基本给不了你。全变分（TV）正则化保护边界，代价是会把连续渐变的组织区域切成一块块硬边，而且对噪声敏感，每次测量的噪声形态不同，TV最优参数就跟着漂，你得重新调平衡因子。
这两种正则化在实际EIT项目里都被大量使用，但它们本质上都是手工设计的先验——只约束解的平滑程度或稀疏程度，完全不理会这个领域的电导率分布到底长什么样。PINN训练遇到的就是同一类问题：你给网络的物理约束只说了“这个解要满足电磁场方程”，没说“这个解要长得像真实的人体组织”。于是网络找到了无数个满足方程的解，而梯度下降把模型带到了哪个解，基本看初始化随机种子和优化器的心情。
2.3 能量先验把解拉回低能流形
能量先验的思路从根本上换了个方向。与其手工设计一个正则项，不如让网络自己学一个函数E(σ)，输入一个电导率分布，输出一个标量能量值——低能量表示这个分布“看起来合理”（接近真实组织的形态、对比度范围、边界特征），高能量表示“这是网络在瞎编”（比如在组织内部出现了不可能的条纹状震荡）。
在训练时，这个能量函数作为额外的一项约束加进总损失。为什么它比手工正则化强？因为这是数据驱动的先验——你有一批历史EIT重建结果、或者来自其他成像模态的同一区域结构分布，就能学到这个能量函数。它比TV和L2都更“懂”这个具体应用场景。更关键的是，它天然适合和PINN配合：PINN负责把解囚禁在物理方程的解流形上，能量先验负责在这个流形上挑出那些与真实组织结构一致的点。两个约束一个管物理一致性，一个管结构合理性，互不干扰。
这里有一些数学直觉值得说清楚。总损失长这样：
L = λ_pde · L_pde + λ_data · L_data + λ_e · E(σ)
E(σ)是能量函数，后文会讲怎么构建。本质上，这是一个受限优化问题：在PDE残差和数据拟合的约束下，找能量最小的那个解。物理信息神经网络用梯度下降同时优化这三个目标，相比把能量先验做成硬约束，这种方式实现简单，而且调损失权重比改网络结构容易得多。在实际实验中，我推荐把λ_e设为一个较小值（0.01~0.1量级），让能量项起引导作用而不是主导作用——否则网络会学着把输出抹成一个低能量的平庸分布，物理损失又反弹了。
3. 用python搭一套EIT-PINN最小可跑系统
3.1 正问题有限差分求解器
EIT-PINN整套系统需要一个能反复调用的正问题求解器：给定σ，算出边界电压U。理论上有无数种方法——有限元、边界元、有限差分，但对一个demo来说，圆形域上的有限差分是性价比最高的选择。用python实现，注意保持代码简单直观，不牺牲可读性。
import numpy as np def solve_eit_forward(sigma, n_elec=16, n_grid=64, n_iter=2000): """ 极简圆形域EIT正问题求解器：有限差分 + 电流注入模式 sigma: (n_grid, n_grid) 电导率分布，边界外为0 n_elec: 电极数量，均匀分布在圆边界 n_iter: 共轭梯度迭代次数，控制内部迭代精度 返回: (n_elec, n_elec) 电压矩阵，第i行是第i对电极注入时的边界电压 """ h = 2.0 / n_grid # 把圆形域映射到[-1, 1]^2的网格，格距 x = np.linspace(-1, 1, n_grid) mask = x[:, None]**2 + x[None, :]**2 <= 1.0 # 圆形域掩膜 # 电极位置：16个均匀分布在圆上，对应角度 k * 2pi/16 angles = np.arange(n_elec) * 2 * np.pi / n_elec elec_pos = [(1.0 * np.cos(a), 1.0 * np.sin(a)) for a in angles] voltages = np.zeros((n_elec, n_elec)) # 对每一对相邻电极注入电流（相邻激励模式），求解电压 for src_idx in range(n_elec): # 构建离散拉普拉斯算子：-div(sigma * grad(u)) # 用五点差分，sigma在网格中心取值 # 这是一个稀疏矩阵，但demo里直接稠密求解也没问题（64x64网格） A = build_stiffness_matrix(sigma, mask, h) b = build_current_vector(n_elec, src_idx, mask, angles) # 求解 Au = b，用共轭梯度（这里简化成直接求解） u = np.linalg.solve(A, b) # 电极测量：取电极附近网格点的电压值 for dst_idx in range(n_elec): i_near, j_near = find_nearest_grid(elec_pos[dst_idx], n_grid) voltages[src_idx, dst_idx] = u[i_near, j_near] return voltages这段代码有三处值得留意的设计决策。第一，用稠密矩阵而不是稀疏矩阵——64×64网格只有4096个未知数，直接np.linalg.solve又快又稳，等做到256×256以上再换scipy.sparse不迟。第二，相邻电极注入模式是EIT最常见的激励策略，对应实际硬件里相邻电极对间的恒流源激励，这一模式的信噪比表现相对均衡。第三，我没有显式处理边界条件中的接触阻抗，真实系统里电极-皮肤接触阻抗会给测量值带来明显的乘性偏移，这在demo里用一个统一的校正因子近似就够了。
3.2 PINN的损失函数四件套
PINN的核心不是网络结构多花哨，而是损失函数怎么组织。EIT场景下，我一般把总损失拆成四个部分：PDE残差、边界条件残差、电压测量数据拟合、能量先验项。前两项是PINN的老本行，后两项决定这个模型能不能在真实数据上干活。
import torch import torch.nn as nn class EITPINN(nn.Module): def __init__(self, n_dim=2, n_hidden=128, n_layers=5): super().__init__() layers = [nn.Linear(n_dim, n_hidden), nn.Tanh()] for _ in range(n_layers - 1): layers += [nn.Linear(n_hidden, n_hidden), nn.Tanh()] layers.append(nn.Linear(n_hidden, 1)) self.net = nn.Sequential(*layers) # 用sigmoid把输出限制在合理电导率范围 [0.01, 2.0] self.output_scale = nn.Sigmoid() def forward(self, x, y): # 输入是物理坐标，输出是电导率 coords = torch.cat([x, y], dim=-1) raw = self.net(coords) # 0.01-2.0 S/m，人体组织的电导率大致落在这个范围 return 0.01 + 1.99 * self.output_scale(raw)def pinn_loss(model, x_pde, y_pde, x_bc, y_bc, u_measured, elec_coords, sigma_prior, lambda_e=0.05): """ 计算EIT-PINN的四项损失 x_pde, y_pde: 域内的采样点坐标（物理约束点） x_bc, y_bc: 边界采样点坐标（电流绝缘边界） u_measured: 实测边界电压 sigma_prior: 能量先验函数（后文实现），输入电导率分布，输出能量标量 """ # 1. PDE残差：∇·(σ∇u) = 0 在域内成立 # 这里有个关键点：PINN直接输出σ，而u来自正问题求解器 # 所以PDE残差重写为：通过自动微分验证网络输出σ是否满足方程 sigma = model(x_pde, y_pde) # 需要u，所以我们把正问题求解器包装成可微分版本 # 完整实现里用torch的自动微分重写拉普拉斯算子 u = differentiable_forward(model, x_pde, y_pde) # 简化示意 # 手动计算∇·(σ∇u)（需要二阶导） u_x = torch.autograd.grad(u, x_pde, create_graph=True)[0] u_y = torch.autograd.grad(u, y_pde, create_graph=True)[0] sigma_x = torch.autograd.grad(sigma, x_pde, create_graph=True)[0] sigma_y = torch.autograd.grad(sigma, y_pde, create_graph=True)[0] pde_residual = sigma * (torch.autograd.grad(u_x, x_pde, create_graph=True)[0] + torch.autograd.grad(u_y, y_pde, create_graph=True)[0]) + \ sigma_x * u_x + sigma_y * u_y loss_pde = torch.mean(pde_residual**2) # 2. 边界条件：电流不能流出边界（诺伊曼边界） sigma_bc = model(x_bc, y_bc) # 边界上法向导数为零近似——简化处理为边界上σ梯度为零 loss_bc = torch.mean(torch.autograd.grad(sigma_bc, x_bc, create_graph=True)[0]**2) + \ torch.mean(torch.autograd.grad(sigma_bc, y_bc, create_graph=True)[0]**2) # 3. 电压数据拟合：模型预测的电极电压 vs 实测电压 sigma_elec = model(elec_coords[:, 0], elec_coords[:, 1]) u_pred = differentiable_forward(model, elec_coords[:, 0], elec_coords[:, 1]) loss_data = torch.mean((u_pred - u_measured)**2) # 4. 能量先验项 loss_energy = lambda_e * sigma_prior(sigma) return loss_pde + loss_bc + loss_data + loss_energy这里有个容易绕晕的地方：PINN输出的是σ，但PDE残差需要u。所以你必须把正问题求解器嵌入到训练图里，即每次forward都要解一次正问题。这在实践中怎么实现？两种常见做法：一是把正问题求解器重写成PyTorch可微分的迭代求解层，二是把σ的预测值喂给一个用torch重写的有限差分求解器，让梯度可以穿透过去。我推荐第二种——网络参数经过σ影响u，最后影响损失，梯度回传路径清晰。
3.3 训练循环与参数设置
def train_eit_pinn(model, train_data, n_epochs=10000, lr=1e-3): optimizer = torch.optim.Adam(model.parameters(), lr=lr, weight_decay=1e-5) scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=n_epochs) for epoch in range(n_epochs): # 每个epoch重新采样域内点和边界点，这是PINN的常见技巧 x_pde, y_pde = sample_interior(512) # 域内随机采样 x_bc, y_bc = sample_boundary(128) # 边界随机采样 total_loss = pinn_loss(model, x_pde, y_pde, x_bc, y_bc, train_data['u_measured'], train_data['elec_coords'], energy_prior, lambda_e=0.05) optimizer.zero_grad() total_loss.backward() optimizer.step() scheduler.step() if epoch % 500 == 0: print(f"Epoch {epoch}: PDE={loss_pde.item():.6f}, Data={loss_data.item():.6f}, Energy={loss_energy.item():.6f}")训练循环里最容易被忽略但又影响巨大的是采样策略。每个epoch重新随机采样域内点和边界点，比固定一组点训到底要稳得多——这相当于做数据增强，让网络在各个空间位置都满足物理约束，而不是只在初始采样的那些点上过拟合。优化器选择Adam配余弦退火学习率，是PINN训练里的常规搭配，Adam能在前期快速下降，余弦退火帮后期收敛不震荡。learning rate从1e-3起步一般能覆盖大部分案例，如果loss出现震荡，优先降到3e-4。
4. 注入能量先验的三种写法：soft约束、hard映射、两阶段热身
4.1 soft约束：能量项进总损失
第一种注入方式最简单直接：像前面代码那样，把能量函数作为一个损失项直接加进总损失，通过λ_e控制它的影响力。这能work，关键在于能量函数本身的设计。
class EnergyPrior(nn.Module): """ 基于能量的先验：输入电导率分布，输出一个标量能量 用一个小型判别器网络实现，训练时让真实分布的能量低、伪分布的能量高 """ def __init__(self, n_grid=64): super().__init__() # 把64x64的电导率图下采样到16x16再送入MLP self.downsample = nn.AvgPool2d(4) # 64x64 -> 16x16 self.fc = nn.Sequential( nn.Linear(16*16, 256), nn.ReLU(), nn.Linear(256, 64), nn.ReLU(), nn.Linear(64, 1) # 输出能量，不做sigmoid，保留幅度信息 ) def forward(self, sigma): # sigma: (batch, 1, 64, 64) 或 (batch, 64, 64) if sigma.dim() == 3: sigma = sigma.unsqueeze(1) x = self.downsample(sigma) x = x.view(x.size(0), -1) return self.fc(x).squeeze(-1) # (batch,)这个网络本质上是一个判别器，但和GAN里的判别器稍有不同：输出不是0~1的真假概率，而是任意标量能量值。训练时用对比样本对：真实电导率分布（来自临床数据或高精度重建结果）标签为低能量，网络生成的分布机动为高能量，用margin ranking loss来训练。这种设计的好处是给能量函数留出了“不论怎么输出都能拉大真实和伪造差距”的自由度，而不是把判别器逼成饱和的sigmoid。
soft约束最大的坑是权重分配。λ_e太小，能量先验形同虚设；λ_e太大，能量梯度会把σ往平均分布压，导致PDE残差反弹。我的经验是：λ_e初始设0.01，跑50个epoch后观察loss各项的量级，如果能量损失已经比PDE残差小两个数量级，就把λ_e逐步调大到0.05~0.1。这个过程值得花精力，因为不同EIT数据集的能量尺度完全不一样。
4.2 hard映射：用编码器限制输出流形
soft约束的问题在于网络仍然可以在输出空间里自由游走，能量函数只能“拽”它，不能“锁”它。hard映射的思路是把σ的生成路径重新设计：网络先输出一个低维隐变量z，再经过一个固定的解码器（从隐空间到电导率分布）得到σ。解码器是预先用大量真实分布训练好的自编码器——相当于把解空间硬性限制在低能量流形上。
class HardPriorPINN(nn.Module): """ 用自编码器的解码器作为输出层，硬性约束解在低能流形上 """ def __init__(self, decoder, latent_dim=32, n_hidden=128): super().__init__() self.decoder = decoder # 预训练的自编码器解码器，参数固定 self.decoder.eval() for p in self.decoder.parameters(): p.requires_grad = False # PINN部分只负责把坐标映射到隐变量 self.coord_net = nn.Sequential( nn.Linear(2, n_hidden), nn.Tanh(), nn.Linear(n_hidden, n_hidden), nn.Tanh(), nn.Linear(n_hidden, latent_dim) ) def forward(self, x, y): coords = torch.cat([x, y], dim=-1) z = self.coord_net(coords) # (batch, latent_dim) # 解码器输出是(1, 64, 64)的分布图，但我们需要的是每个坐标点的σ值 # 做法：解码器生成完整分布图，再双线性插值到坐标点 sigma_map = self.decoder(z) # (batch, 1, 64, 64) sigma_vals = bilinear_sample(sigma_map, x, y) # 从图中采样 return sigma_valshard映射优点明显：网络不可能输出能量函数认为是“离谱”的分布，因为它只能在解码器的输出流形上活动。这在训练初期尤其珍贵——传统PINN经常在最初几千步产生一些完全非物理的σ，需要花大量epoch才能拉回来；而hard映射从一开始就把输出限制在合理的结构形态内。
代价也明显：解码器的表达能力就是瓶颈。如果自编码器的latent dimension太小，能表达的分布细节不够，重建的图像会丢失精细边界；如果latent dimension太大，流形约束又弱化了。我在EIT实验中通常选32~64维的隐变量，配合一个带跳连接的自编码器结构，能在保留边界锐度的同时压制大部分病态解。解码器的预训练数据来源可以是同一批病人的历史重建结果，也可以用仿真数据——用仿真数据时记得加入不同噪声水平，防止解码器只学会理想无噪声的形态。
4.3 两阶段热身：先压低能量再同时优化
第三种方式最实用：两阶段训练。第一阶段，固定PINN的主网络，只训练能量函数——用真实历史重建结果作为正样本，用当前PINN输出的分布作为负样本，让能量函数快速学会区分合理与不合理的σ。这一阶段通常只跑几百个epoch，目的是让能量先验在PINN正式训练时就已经是个有判别力的函数，而不是一个从零开始瞎猜的随机网络。
第二阶段，冻结能量函数的所有参数，把能量项加进PINN的损失里，开始正式的端到端训练。
def two_stage_train(model, energy_net, real_sigmas, train_data, stage1_epochs=500, stage2_epochs=10000): # 第一阶段：只训练能量函数 energy_optimizer = torch.optim.Adam(energy_net.parameters(), lr=1e-3) margin = 1.0 # ranking loss的margin for epoch in range(stage1_epochs): # 正样本：真实电导率分布 real_batch = sample_batch(real_sigmas, 16) # 负样本：当前PINN的输出 fake_batch = model.sample_sigma(16).detach() # 不反传梯度给模型 real_energy = energy_net(real_batch) fake_energy = energy_net(fake_batch) # margin ranking loss：让real_energy < fake_energy - margin loss = torch.relu(fake_energy - real_energy + margin).mean() energy_optimizer.zero_grad() loss.backward() energy_optimizer.step() # 第二阶段：冻结能量函数，训练PINN for p in energy_net.parameters(): p.requires_grad = False pinn_optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) # ... 标准PINN训练循环，loss中加 energy_net(model输出) 项两阶段训练的好处在第100个epoch就体现得很明显：能量函数不是随机初始化噪声的时候，它给出的梯度信号更有方向性——指向“更像真实组织”的方向，而不是“随意压低能量”的方向。这缓解了soft约束一个隐性困难：当能量函数还没训练好时，它给出的惩罚梯度可能完全随机，反而干扰PINN原有的收敛方向。
有个细节值得记录：负样本的更新频率。第一阶段里负样本来自当前PINN的输出，但PINN本身也在随着阶段推进而更新（虽然我们不训练它，但它的权重可能在某些代码实现中意外变了）。更稳的做法是第一次生成一批负样本后用缓存——每50个epoch重新生成一次，避免能量函数和PINN形成对抗式的共同演化，陷入类似GAN训练的不稳定循环。
5. PINN+EIT常见翻车现场与排查手册
5.1 现象一：loss卡死在物理残差项几乎为零但电压拟合很差
这种情况我遇到过至少三次。曲线特征是：loss_pde掉到1e-6以下，漂亮的不能再漂亮，但loss_data居高不下，重建图的内部结构完全对不上电压数据。原因在于网络找到了一个“伪物理解”——在采样点上恰好满足方程，但因为采样点分布不均匀或数量不够，整个域内的真实解被跳过了。这是PINN的经典失败模式：采样密度低的区域约束力弱，网络在那里自由发挥。
解决思路是动态采样。固定每个epoch的512个域内点不够，尤其是边界附近电流密度变化剧烈的位置，需要加密采样。我一般会每200个epoch检查一次PDE残差的空间分布，把残差大的区域追加采样点，相当于把自适应网格思想搬进PINN训练。
5.2 现象二：加能量先验后重建图像被“抹平”
能量先验的权重设太大，模型输出会被压向训练数据集中的平均形态，边界模糊、对比度下降，甚至两个相邻目标被融合成一个。原因好理解：能量函数只学了“这像不像真实组织”，没有保留“这是哪个真实组织”的区分度——能量只对结构类型敏感，对个体细节迟钝。
解决方法是降低λ_e，但更本质的办法是不要让能量函数单打独斗。我这里实践有效的做法是给能量函数输入时加上高频细节通道——除了σ本身，再加一个σ的梯度幅度图作为第二个输入通道。这样能量函数就有条件区分“光滑但错误的平均分布”和“带细节但结构合理的分布”，避免把网络的输出惯性压向平庸。
5.3 现象三：每一次训练初始化不同，重建结果完全不同
EIT的病态性和PINN的非凸优化合在一起，结果就是随机种子的微小差异能引出完全不同的局部最优解。这个问题在纯PINN上就存在，加能量先验后会缓解一些，但hard mapping如果预训练解码器的隐空间本身有多模态，仍然会翻车。
我的排查顺序是：先固定seed跑三次看离散程度，同时visualize能量函数的决策边界——把能量函数的输出对σ做二维投影，看能量景观有没有多个低洼盆地。如果确实多盆地，给训练加一个简单的模拟退火：前500个epoch把λ_e拉高迫使模型快速落入某个盆地，之后按余弦退火降下来让细粒度重建恢复。
5.4 现象四：能量判别器loss震荡不收敛
经典GAN式训练不稳定的翻版，在soft约束和两阶段的第一阶段都可能出现。现象是energy loss在某个值附近来回震荡，误差没有单边下降趋势。此时能量函数给PINN的梯度本质上在随机游走——这次说往左，下次说往右，把主训练也带得摇摆不定。
解决重点是让能量函数的学习率比主网络低一个量级。用1e-4而不是1e-3，同时加上谱归一化或者梯度裁剪。更狠的做法是在能量函数输入里不直接给原始σ，而是给带噪声的版本——输入加噪（噪声幅度为σ量级的1%~2%）相当于一个正则器，让能量函数不再对细节过拟合，训练稳定性有明显改善。
5.5 现象五：正问题边界电极模型对重建影响过大
这是EIT项目里最常见的“隐藏坑”，不在PINN本身而在于正问题仿真与真实硬件的差异。如果正问题里电极被建模成完美点电极，而真实硬件用的是有一定宽度的贴片电极，那么边界电压的系统性误差会直接变成重建误差——尤其集中在靠近电极的浅表区域，出现一圈明显的伪影。
解决方法是正问题里引入电极的接触阻抗模型。最简单的做法是把每个电极等效成一个“电压测量点+接触阻抗电阻”，在求解方程时在边界条件里加上一项R_contact·I（I是流过电极的电流）。R_contact的值可以通过先做一次均匀介质（比如测量前用已知电导率的盐水校准）来标定。这个校准步骤对重建质量的影响，经常比换一个更好的网络结构还大。
6. 验证重建质量的实用指标与对比基线
6.1 三个量化指标：NTD、边界模糊带、SSIM
自己写的代码自己说好不算数，EIT重建需要合同行信服的量化指标。推荐三个在论文和临床评估里都认的指标。
归一化均方根误差（NTD）最基础，评估的是整体重建精度，计算方式是重建图和真值图的逐像素差再按真值图的标准差归一化。结构相似性（SSIM）评估的是空间结构一致性，窗口大小建议设成16×16，因为EIT重建的空间分辨率天生低，窗口太小会被噪声主导。边界模糊带（edge blur width）是我自己爱用的指标，专门看重建图里真实边界处从高到低过渡的像素宽度，单位是网格数，这个指标能捕捉NTD和SSIM都容易忽略的“边界位置对但糊了一片”的问题——TV正则化撑出来的锐利边界在这里就能得分。
验证集不能和训练集重叠。如果能量先验是用历史重建结果训练的，验证样本必须来自没参与过先验训练的病人或仿真对象。这一点疏忽了，能量先验就直接退化成作弊器，指标数字再漂亮也没有临床参考价值。
6.2 基线对比矩阵怎么设
实验数据讲到这里，最后收在验证方案上。拿一套有真值的数据，构建一个对比矩阵，最核心的三条基线是：无先验PINN、带TV正则化的经典重建算法、带能量先验的完整方案。加一个可选的第四条：带能量先验但去掉PDE项——用来量化物理约束在这个项目里到底贡献了多少。
每个方法都在同样的噪声水平（建议从0.1%到2%取三档）下跑5次（不同随机种子），报告三个指标各自的均值和方差。这样一套验证跑下来大约需要半天时间，但它能告诉你三件事：能量先验到底值不值得加，它在低噪声和高噪声的收益差多少，以及和TV这种传统方案比，新方案的优势是否真实。
我在做这类实验时有个习惯值得分享：先不加能量先验跑通整个流程，确认基线结果合理，再逐步加上能量先验做增量对比。这样每加一个模块，都能清晰地定位它的边际贡献，而不是等所有模块都堆上去之后，才在总效果里拼命拆解单模块的功劳。整个过程里，不要因为重建图看上去顺眼就跳过定量评估——EIT太容易看上去顺眼了。希望这套方案和踩坑整理帮到你，愿你的PINN训练不再玄学收场。
本文还有配套的精品资源，点击获取
