A Tomografia por Impedância Elétrica tem como objetivo estimar a distribuição de impedância elétrica dentro de uma região a partir de medidas de potencial elétrico coletadas apenas em seu contorno externo quando corrente elétrica é imposta neste mesmo contorno. Uma das aplicações para esta tecnologia é o monitoramento das condições pulmonares de pacientes em Unidades de Tratamento Intensivo. Dentre vários algoritmos, destacam-se os filtros de Kalman que abordam o problema de estimação sob o ponto de vista probabilístico, procurando encontrar a distribuição de probabilidade do estado condicionada à realização das medidas. Para que estes filtros possam ser utilizados, um modelo de evolução temporal do sistema sendo observado deve ser adotado. Esta tese propõe o uso de um modelo de evolução para a variação de volume de ar nos pulmões durante a respiração de um paciente sob ventilação artificial. Este modelo é utilizado no unscented Kalman filter, uma extensão não linear do filtro de Kalman. Tal modelo é ajustado em paralelo à estimação do estado, utilizando um esquema dual de estimação. Um algoritmo de segmentação de imagem é proposto para identificar as regiões pulmonares nas imagens estimadas e assim utilizar o modelo de evolução. Com o intuito de melhorar as estimativas, o método do erro de aproximação é utilizado no modelo de observação para mitigar os erros de modelagem e informação a priori é adicionada na solução do problema inverso mal-posto. O método é avaliado através de simulações numéricas e ensaio experimental coletado em um voluntário. Os resultados mostram que o método proposto melhora as estimativas feitas pelo filtro de Kalman, propiciando a visualização de imagens absolutas, dinâmicas e com bom nível de contraste entre os tecidos e órgãos internos.

Electrical impedance tomography estimates the electrical impedance distribution within a region given a set of electrical potential measurements acquired along its boundary at the same time that electrical currents are imposed on the same boundary. One of the applications of this technology is lung monitoring of patients in Intensive Care Units. One class of algorithms employed for the estimation are the Kalman filters which deal with the estimation problem in a probabilistic framework, looking for the probability density function of the state conditioned to the acquired measurements. In order to use such filters, an evolution models of the system must be employed. This thesis proposes an evolution model of the variation of air in the lungs of patients under artificial ventilation. This model is used on the Unscented Kalman Filter, a nonlinear extension of the Kalman filter. This model is adjusted in parallel to the state estimation, in a dual estimation scheme. An image segmentation algorithm is proposed for identifying the lungs in the images. In order to improve the estimate, the approximation error method is employed for mitigating the observation model errors and prior information is added for the solution of the ill-posed inverse problem. The method is evaluated with numerical simulations and with experimental data of a volunteer. The results show that the proposed method increases the quality of the estimates, allowing the visualization of absolute and dynamic images, with good level of contrast between the tissues and internal organs.