CN109925569A - 一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法 - Google Patents
一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法 Download PDFInfo
- Publication number
- CN109925569A CN109925569A CN201910365159.6A CN201910365159A CN109925569A CN 109925569 A CN109925569 A CN 109925569A CN 201910365159 A CN201910365159 A CN 201910365159A CN 109925569 A CN109925569 A CN 109925569A
- Authority
- CN
- China
- Prior art keywords
- reference curve
- blood glucose
- adaptive reference
- control
- blood
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- External Artificial Organs (AREA)
Abstract
本发明公开了一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法，通过实时监测的人体血糖数据，利用CARIMA模型预测未来的血糖变化，然后采用最小方差控制追踪自适应参考曲线并实时计算胰岛素泵的输注速率，输注以降低人体血糖波动并将其控制在预定的目标区间。相较于已有的广义预测控制算法，本发明中所采用的基于自适应参考曲线策略能够根据不同病人的血糖波动生成适用于自身的参考曲线，从而实现对胰岛素泵的输注速率的控制。
Description
技术领域
本发明涉及胰岛素泵输注量估算领域，更具体地，涉及一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法。
背景技术
现有的胰岛素输注控制算法包括比例微积分控制算法、模糊控制算法和模型控制算法等等。
比例微积分控制算法(Proportional Integral Derivative,PID)控制是较为成熟、使用较为广泛的一种工业控制算法。基于PID算法的胰岛素泵设计已经由美敦力MiniMed公司旗下的Steil团队实现，其主要设计思想为：PID算法的比例、微分和积分三个分量分别模拟人体β细胞分泌胰岛素的生理传输过程。其中，线性比例分量对应于实测血糖值偏离目标血糖值时的胰岛素分泌量，当实测血糖值等于目标血糖值时则为0；积分变量用于调节血糖值围绕目标值上下微幅波动时的胰岛素分泌量，也是使血糖稳定在目标值时保持基础胰岛素输注量的唯一成分；微分分量对应于血糖快速变化时迅速调节胰岛素分泌。大量的临床实验证明了该算法的有效性和可行性，2012年该控制算法进一步通过了美国FDA批准的糖尿病模拟器验证并且现在已经走向商业化使用。PID控制算法的数学表达简单直观，比较容易实现，但是其随着模拟时间的延长会出现积分饱和现象。此外，该算法也没有考虑血液中胰岛素浓度上升引起的抑制β细胞分泌胰岛素的生理效应。Steil团队对上述缺陷也进行了一定的改进，例如引入负反馈变量。
模糊逻辑(Fuzzy Logic，FL)控制算法虽然只有几十余年的历史，但其理论和应用的研究已经取得了丰硕的成果。近几年随着模糊逻辑控制理论在自动控制领域的成功应用，模糊控制理论和方法的研究引起了学术界和工业界的广泛关注。已有的基于模糊逻辑控制算法的胰岛素泵设计首先需要依据临床糖尿病治疗长期实践积累的经验建立专家库。然后运用模糊集合及其运算，将临床经验知识存入专家知识库中。最后依据病人的实时血糖检测数据，调控胰岛素泵的输注速率。与传统的控制方法如比例微积分控制算法(Proportional Integral Derivative,PID)相比，模糊控制利用了人类专家控制经验，对于非线性、复杂对象的控制显示了鲁棒性好、控制性能高的优点。但是模糊逻辑控制算法主要依赖临床经验积累，其具有较大的主观性并且难以采集和移植，这大大制约了模糊逻辑算法的应用。
模型预测控制(Model Predictive Control,MPC)算法是一种基于模型的控制算法。它是一种在20世纪80年代初开始发展起来的新型计算机控制算法，其直接产生于工业过程控制的实际应用，并在与工业应用的紧密结合中不断完善和成熟。MPC算法应用于胰岛素泵的设计中首先需要对人体糖代谢生理过程进行初步的数学建模；然后根据测得的血糖数据和胰岛素输注速率对模型参数进行循环优化，并计算当前的胰岛素输注速率与血糖变化趋势。整个控制模型会不断进行循环往复的优化直至稳定于目标血糖，同时求解出模型内部的最优参数。因此，MPC算法能够实现自我优化并较好的跟踪血糖变化。但是其缺点是模型的选择和搭建往往是依据病人糖代谢生理模型，且需要参照临床医学经验进行参数的设定。虽然模型自身往往具有滚动优化的能力，但是一旦模型搭建出现偏差，往往难以达到预期的控制效果。
发明内容
为解决上述技术问题，本发明的技术方案如下：
一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法，所述的广义预测控制算法通过CARIMA模型、最小方差控制和自适应参考曲线调节胰岛素泵的输注速率。
在一种优选的方案中，包括以下步骤：
S1：根据当前的血糖值，通过CARIMA模型得到未来的血糖变化的预测值；
S2：根据S1的未来的血糖变化的预测值，通过最小方差控制模型计算胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线，所述的自适应参考曲线会根据个体的情况调节参考曲线的斜率；
S3：通过CARIMA模型和最小方差控制模型对胰岛素泵的控制输入增量进行优化。
在一种优选的方案中，所述的S1包括以下内容：
通过CARIMA模型和丢番图方程，得到以下方程：
y(k+j)＝Gj(z-1)Δu(k+j-1)+Fj(z-1)y(k)(j＝1，2...n)
式中，所述的y(k)表示在k时刻的血糖值；所述的y(k+j)表示在k时刻超前j步的血糖值的预测值；Δu(k+j-1)表示胰岛素泵在k时刻的控制输入增量；所述的n表示最大预测长度；所述的Gj(z-1)表示胰岛素泵在k时刻的控制输入增量的权重系数；所述的Fj(z-1)表示血糖值的权重系数。
在一种优选的方案中，所述的S2包括以下内容：
式中，所述的J表示胰岛素泵的输注速率；所述的n表示预测长度；所述的λ(j)表示控制加权因子；所述的m表示控制长度；所述的w(k+j)通过下式进行表达：
w(k+j)＝W＝Qy(k)+Myr(j＝1，2，...，n)
所述的yr表示自适应参考曲线；所述的W通过下式进行表达：
W＝[w(k+1)，w(k+2)，...，w(k+n)]T
所述的Q通过下式进行表达：
Q＝[α，α2，...，αn]T
所述的α表示柔化因子；
所述的M通过下式进行表达：
M＝[1-α，1-α2，...，1-αn]T。
在一种优选的方案中，自适应参考曲线根据当前血糖浓度的参数，结合当前血糖浓度的变化量，设定了自适应参考曲线的不同的下降斜率；若血糖浓度低于设定的阈值时，自适应参考曲线的下降斜率为0。
在一种优选的方案中，所述的自适应参考曲线包括以下流程：
流程1：在预设的时间段内，若血糖变化的速率＞k0mg/dl/step，则定义为血糖急剧上升；若血糖变化的速率介于k1mg/dl/step～k0mg/dl/step，则定义为血糖缓慢波动；若血糖变化的速率小于k1mg/dl/step，则定义为血糖急剧下降；所述的k1是人为设定的预设值；所述的k0是人为设定的预设值；
流程2：进行以下判断：
若血糖浓度高于ζ1时，自适应参考曲线的下降斜率设定为k4mg/dl/step；所述的ζ1是人为设定的预设值；所述的k4是人为设定的预设值；
若血糖浓度介于ζ2～ζ1时，所述的ζ2是人为设定的预设值；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为k5mg/dl/step；所述的k5是人为设定的预设值；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为k6mg/dl/step；所述的k6是人为设定的预设值；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；所述的k5>k6>0；
若血糖浓度介于ζ3～ζ2时，所述的ζ3是人为设定的预设值；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为k7mg/dl/step；所述的k7是人为设定的预设值；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为k8mg/dl/step；所述的k8是人为设定的预设值；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；所述的k7>k8>0，且k5>k7，k6>k8；
若血糖浓度低于ζ3时，则自适应参考曲线固定设置为常数ζ3。
在一种优选的方案中，所述的自适应参考曲线包括以下方案之一：
方案1
流程1：在预设的时间段内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于180mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl；
若血糖浓度介于160mg/dl-180mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于130mg/dl-160mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度低于130mg/dl时，则自适应参考曲线固定设置为130mg/dl；
方案2
流程1：在预设的时间段内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于180mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl；
若血糖浓度介于160mg/dl-180mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于120mg/dl-160mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度低于120mg/dl时，则自适应参考曲线固定设置为120mg/dl；
方案3
流程1：在预设的时间段内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于170mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl；
若血糖浓度介于150mg/dl-170mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于12mg/dl-150mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度低于120mg/dl时，则自适应参考曲线固定设置为120mg/dl。
在一种优选的方案中，所述的S3包括以下子步骤：
S3.1：将胰岛素泵的控制输入增量作为CARIMA模型的输入值，对血糖变化的预测值进行更新；
S3.2：根据更新后的血糖变化的预测值作为最小方差控制模型的输入，更新胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线，所述的自适应参考曲线会根据个体的情况调节参考曲线的斜率；
S3.3：循环执行S3.1～S3.2，实现对胰岛素泵的控制输入增量进行优化。
与现有技术相比，本发明技术方案的有益效果是：
1、本发明可以根据实时检测的人体血糖数据预测未来血糖变化，采用最小方差控制调节胰岛素泵的胰岛素输注量，从而有效控制血糖水平，大幅度提高患者的生存质量。
2、本发明相较于已有的控制方法有着更高的鲁棒性，并且模型的搭建要求低，易于实现和移植；另外，本发明采用了CARIMA预测模型、最小方差控制模型和参数滚动优化，从而保证了预测的准确性和控制的有效性，大大降低了人为因素的干扰，对于模型的搭建和移植提供了更多的便利。
3、本发明采用了自适应参考曲线策略，该策略考虑了不同个体之间血糖波动的差异性，可以为不同个体实时生成不同的参考曲线，从而实现了个性化的胰岛素输注量。
附图说明
图1为实施例的控制原理图。
图2为实施例1的自适应曲线的示意图。
图3为传统广义预测控制算法的实验结果。
图4为实施例1的实验结果。
图5为实施例2的自适应曲线的示意图。
图6为实施例2的实验结果。
图7为实施例3的自适应曲线的示意图。
图8为实施例3的实验结果。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法，包括以下步骤：
S1：根据当前的血糖值，通过CARIMA模型得到未来的血糖变化的预测值；
通过CARIMA模型和丢番图方程，得到以下方程：
y(k+j)＝Gj(z-1)Δu(k+j-1)+Fj(z-1)y(k)(j＝1，2...n)
式中，y(k)表示在k时刻的血糖值；y(k+j)表示在k时刻超前j步的血糖值的预测值；Δu(k+j-1)表示胰岛素泵在k时刻的控制输入增量；n表示最大预测长度；Gj(z-1)表示胰岛素泵在k时刻的控制输入增量的权重系数；Fj(z-1)表示血糖值的权重系数；
S2：根据S1的未来的血糖变化的预测值，通过最小方差控制模型计算胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线；
式中，J表示胰岛素泵的输注速率；n表示预测长度；λ(j)表示控制加权因子；m表示控制长度；w(k+j)通过下式进行表达：
w(k+j)＝W＝Qy(k)+Myr(j＝1，2，...，n)
yr表示自适应参考曲线；W通过下式进行表达：
W＝[w(k+1)，w(k+2)，...，w(k+n)]T
Q通过下式进行表达：
Q＝[α，α2，...，αn]T
α表示柔化因子；
M通过下式进行表达：
M＝[1-α，1-α2，...，1-αn]T；
如图2所示，自适应参考曲线包括以下流程：
流程1：在1分钟内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于180mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl；
若血糖浓度介于160mg/dl-180mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于130mg/dl-160mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度低于130mg/dl时，则自适应参考曲线固定设置为130mg/dl；
S3：通过CARIMA模型和最小方差控制模型对胰岛素泵的控制输入增量进行优化；
S3.1：将胰岛素泵的控制输入增量作为CARIMA模型的输入值，对血糖变化的预测值进行更新；
S3.2：根据更新后的血糖变化的预测值作为最小方差控制模型的输入，更新胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线，自适应参考曲线会根据个体的情况调节参考曲线的斜率；
S3.3：循环执行S3.1～S3.2，实现对胰岛素泵的控制输入增量进行优化。
实施例1的测试环境：
将本实施例植入美国FDA批准的可代替动物实验的糖尿病模拟治疗测试软件T1DMS中，并对算法进行性能测试。软件T1DMS为美国FDA批准的唯一可用于代替动物实验的糖尿病治疗测试软件。该软件包括了100个虚拟的糖尿病成人患者、100个青少年患者和100个儿童患者模型，并提供了虚拟的CGMS和胰岛素泵。测试过程中，只需要将控制算法植入测试平台，选定测试对象并设定进餐计划和监测指标，就可以观察其胰岛素泵的血糖控制效果。
实施例1的实验结果：
如图3和图4所示，患有糖尿病青少年的实验结果。图3显示了基于传统广义预测控制算法的血糖控制效果(66％)；图4显示了实施例1的血糖控制效果(93％)。该测试结果清晰的表明，本实施例相对于传统广义预测控制算法能够更加稳定使用者的血糖水平。
实施例2
如图1所示，一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法，包括以下步骤：
S1：根据当前的血糖值，通过CARIMA模型得到未来的血糖变化的预测值；
通过CARIMA模型和丢番图方程，得到以下方程：
y(k+j)＝Gj(z-1)Δu(k+j-1)+Fj(z-1)y(k)(j＝1，2...n)
式中，y(k)表示在k时刻的血糖值；y(k+j)表示在k时刻超前j步的血糖值的预测值；Δu(k+j-1)表示胰岛素泵在k时刻的控制输入增量；n表示最大预测长度；Gj(z-1)表示胰岛素泵在k时刻的控制输入增量的权重系数；Fj(z-1)表示血糖值的权重系数；
S2：根据S1的未来的血糖变化的预测值，通过最小方差控制模型计算胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线；
式中，J表示胰岛素泵的输注速率；n表示预测长度；λ(j)表示控制加权因子；m表示控制长度；w(k+j)通过下式进行表达：
w(k+j)＝W＝Qy(k)+Myr(j＝1，2，...，n)
yr表示自适应参考曲线；W通过下式进行表达：
W＝[w(k+1)，w(k+2)，...，w(k+n)]T
Q通过下式进行表达：
Q＝[α，α2，...，αn]T
α表示柔化因子；
M通过下式进行表达：
M＝[1-α，1-α2，...，1-αn]T；
如图5所示，自适应参考曲线包括以下流程：
流程1：在1分钟内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于180mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl；
若血糖浓度介于160mg/dl-180mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于120mg/dl-160mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度低于120mg/dl时，则自适应参考曲线固定设置为120mg/dl；
S3：通过CARIMA模型和最小方差控制模型对胰岛素泵的控制输入增量进行优化；
S3.1：将胰岛素泵的控制输入增量作为CARIMA模型的输入值，对血糖变化的预测值进行更新；
S3.2：根据更新后的血糖变化的预测值作为最小方差控制模型的输入，更新胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线，自适应参考曲线会根据个体的情况调节参考曲线的斜率；
S3.3：循环执行S3.1～S3.2，实现对胰岛素泵的控制输入增量进行优化。
实施例2的测试环境：
将本实施例植入美国FDA批准的可代替动物实验的糖尿病模拟治疗测试软件T1DMS中，并对算法进行性能测试。软件T1DMS为美国FDA批准的唯一可用于代替动物实验的糖尿病治疗测试软件。该软件包括了100个虚拟的糖尿病成人患者、100个青少年患者和100个儿童患者模型，并提供了虚拟的CGMS和胰岛素泵。测试过程中，只需要将控制算法植入测试平台，选定测试对象并设定进餐计划和监测指标，就可以观察其胰岛素泵的血糖控制效果。
实施例2的实验结果：
如图3和图6所示，患有糖尿病青少年的实验结果。图3显示了基于传统广义预测控制算法的血糖控制效果(66％)；图6显示了实施例2的血糖控制效果(88％)。该测试结果清晰的表明，本实施例相对于传统广义预测控制算法能够更加稳定使用者的血糖水平。
实施例3
如图1所示，一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法，包括以下步骤：
S1：根据当前的血糖值，通过CARIMA模型得到未来的血糖变化的预测值；
通过CARIMA模型和丢番图方程，得到以下方程：
y(k+j)＝Gj(z-1)Δu(k+J-1)+Fj(z-1)y(k)(j＝1，2...n)
式中，y(k)表示在k时刻的血糖值；y(k+j)表示在k时刻超前j步的血糖值的预测值；Δu(k+j-1)表示胰岛素泵在k时刻的控制输入增量；n表示最大预测长度；Gj(z-1)表示胰岛素泵在k时刻的控制输入增量的权重系数；Fj(z-1)表示血糖值的权重系数；
S2：根据S1的未来的血糖变化的预测值，通过最小方差控制模型计算胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线；
式中，J表示胰岛素泵的输注速率；n表示预测长度；λ(j)表示控制加权因子；m表示控制长度；w(k+j)通过下式进行表达：
w(k+j)＝W＝Qy(k)+Myr(j＝1，2，...，n)
yr表示自适应参考曲线；W通过下式进行表达：
W＝[w(k+1)，w(k+2)，...，w(k+n)]T
Q通过下式进行表达：
Q＝[α，α2，...，αn]T
α表示柔化因子；
M通过下式进行表达：
M＝[1-α，1-α2，...，1-αn]T；
如图7所示，自适应参考曲线包括以下流程：
流程1：在1分钟内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于170mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl；
若血糖浓度介于150mg/dl-170mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于12mg/dl-150mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度低于120mg/dl时，则自适应参考曲线固定设置为120mg/dl；
S3：通过CARIMA模型和最小方差控制模型对胰岛素泵的控制输入增量进行优化；
S3.1：将胰岛素泵的控制输入增量作为CARIMA模型的输入值，对血糖变化的预测值进行更新；
S3.2：根据更新后的血糖变化的预测值作为最小方差控制模型的输入，更新胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线，自适应参考曲线会根据个体的情况调节参考曲线的斜率；
S3.3：循环执行S3.1～S3.2，实现对胰岛素泵的控制输入增量进行优化。
实施例3的测试环境：
将本实施例植入美国FDA批准的可代替动物实验的糖尿病模拟治疗测试软件T1DMS中，并对算法进行性能测试。软件T1DMS为美国FDA批准的唯一可用于代替动物实验的糖尿病治疗测试软件。该软件包括了100个虚拟的糖尿病成人患者、100个青少年患者和100个儿童患者模型，并提供了虚拟的CGMS和胰岛素泵。测试过程中，只需要将控制算法植入测试平台，选定测试对象并设定进餐计划和监测指标，就可以观察其胰岛素泵的血糖控制效果。
实施例3的实验结果：
如图3和图8所示，患有糖尿病青少年的实验结果。图3显示了基于传统广义预测控制算法的血糖控制效果(66％)；图6显示了实施例2的血糖控制效果(90％)。该测试结果清晰的表明，本实施例相对于传统广义预测控制算法能够更加稳定使用者的血糖水平。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。例如，针对不同的年龄段的使用者(成人、青少年和儿童)，可以设置不同的自适应曲线。在使用者使用胰岛素泵时候进行选择，使得自适应曲线更恰合使用者本身，达到更好的治疗效果。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法，其特征在于，所述的广义预测控制胰岛素输注量计算方法通过CARIMA模型、最小方差控制和自适应参考曲线调节胰岛素泵的输注速率；
所述的自适应参考曲线包括以下方案之一：
方案1
流程1：在预设的时间段内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于180mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl；
若血糖浓度介于160mg/dl-180mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于130mg/dl-160mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度低于130mg/dl时，则自适应参考曲线固定设置为130mg/dl；
方案2
流程1：在预设的时间段内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于180mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl；
若血糖浓度介于160mg/dl-180mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于120mg/dl-160mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度低于120mg/dl时，则自适应参考曲线固定设置为120mg/dl；
方案3
流程1：在预设的时间段内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于170mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl；
若血糖浓度介于150mg/dl-170mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于12mg/dl-150mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度低于120mg/dl时，则自适应参考曲线固定设置为120mg/dl。
2.根据权利要求1所述的广义预测控制胰岛素输注量计算方法，其特征在于，包括以下步骤：
S1：根据当前的血糖值，通过CARIMA模型得到未来的血糖变化的预测值；
S2：根据S1的未来的血糖变化的预测值，通过最小方差控制模型计算胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线，所述的自适应参考曲线会根据个体的情况调节参考曲线的斜率；
S3：通过CARIMA模型和最小方差控制模型对胰岛素泵的控制输入增量进行优化。
3.根据权利要求2所述的广义预测控制胰岛素输注量计算方法，其特征在于，所述的S1包括以下内容：
通过CARIMA模型和丢番图方程，得到以下方程：
y(k+j)＝Gj(z-1)Δu(k+j-1)+Fj(z-1)y(k) (j＝1，2...n)
式中，所述的y(k)表示在k时刻的血糖值；所述的y(k+j)表示在k时刻超前j步的血糖值的预测值；Δu(k+j-1)表示胰岛素泵在k时刻的控制输入增量；所述的n表示最大预测长度；所述的Gj(z-1)表示胰岛素泵在k时刻的控制输入增量的权重系数；所述的Fj(z-1)表示血糖值的权重系数。
4.根据权利要求3所述的广义预测控制胰岛素输注量计算方法，其特征在于，所述的S2包括以下内容：
式中，所述的J表示胰岛素泵的输注速率；所述的n表示预测长度；所述的λ(j)表示控制加权因子；所述的m表示控制长度；所述的w(k+j)通过下式进行表达：
w(k+j)＝W＝Qy(k)+Myr(j＝1，2，...，n)
所述的yr表示自适应参考曲线；所述的W通过下式进行表达：
W＝[w(k+1)，w(k+2)，...，w(k+n)]T
所述的Q通过下式进行表达：
Q＝[α，α2，...，αn]T
所述的α表示柔化因子；
所述的M通过下式进行表达：
M＝[1-α，1-α2，...，1-αn]T。
5.根据权利要求1至4中任一权利要求所述的广义预测控制胰岛素输注量计算方法，其特征在于，所述的自适应参考曲线包括以下内容：
自适应参考曲线根据当前血糖浓度的参数，结合当前血糖浓度的变化量，设定了自适应参考曲线的不同的下降斜率；若血糖浓度低于设定的阈值时，自适应参考曲线的下降斜率为0。
6.根据权利要求2至4中任一权利要求所述的广义预测控制胰岛素输注量计算方法，其特征在于，所述的S3包括以下子步骤：
S3.1：将胰岛素泵的控制输入增量作为CARIMA模型的输入值，对血糖变化的预测值进行更新；
S3.2：根据更新后的血糖变化的预测值作为最小方差控制模型的输入，更新胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线，所述的自适应参考曲线会根据个体的情况调节参考曲线的斜率；
S3.3：循环执行S3.1～S3.2，实现对胰岛素泵的控制输入增量进行优化。
7.根据权利要求5所述的广义预测控制胰岛素输注量计算方法，其特征在于，所述的S3包括以下子步骤：
S3.1：将胰岛素泵的控制输入增量作为CARIMA模型的输入值，对血糖变化的预测值进行更新；
S3.2：根据更新后的血糖变化的预测值作为最小方差控制模型的输入，更新胰岛素泵的控制输入增量；其中，最小方差控制使用的参考曲线是自适应参考曲线，所述的自适应参考曲线会根据个体的情况调节参考曲线的斜率；
S3.3：循环执行S3.1～S3.2，实现对胰岛素泵的控制输入增量进行优化。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910365159.6A CN109925569A (zh) | 2019-04-30 | 2019-04-30 | 一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法 |
| CN202010351347.6A CN111643771B (zh) | 2019-04-30 | 2020-04-28 | 一种基于自适应广义预测控制的闭环胰岛素输注系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910365159.6A CN109925569A (zh) | 2019-04-30 | 2019-04-30 | 一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109925569A true CN109925569A (zh) | 2019-06-25 |
Family
ID=66991287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910365159.6A Pending CN109925569A (zh) | 2019-04-30 | 2019-04-30 | 一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109925569A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116159208A (zh) * | 2021-11-24 | 2023-05-26 | 上海微创生命科技有限公司 | 人工胰腺控制方法、可读存储介质及血糖管理系统 |
-
2019
- 2019-04-30 CN CN201910365159.6A patent/CN109925569A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116159208A (zh) * | 2021-11-24 | 2023-05-26 | 上海微创生命科技有限公司 | 人工胰腺控制方法、可读存储介质及血糖管理系统 |
| WO2023092908A1 (zh) * | 2021-11-24 | 2023-06-01 | 上海微创生命科技有限公司 | 人工胰腺控制方法、可读存储介质及血糖管理系统 |
| CN116159208B (zh) * | 2021-11-24 | 2024-03-15 | 上海微创生命科技有限公司 | 人工胰腺控制方法、可读存储介质及血糖管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gondhalekar et al. | Velocity-weighting & velocity-penalty MPC of an artificial pancreas: Improved safety & performance | |
| Sun et al. | A dual mode adaptive basal-bolus advisor based on reinforcement learning | |
| CN111643771B (zh) | 一种基于自适应广义预测控制的闭环胰岛素输注系统 | |
| Shi et al. | Adaptive zone model predictive control of artificial pancreas based on glucose-and velocity-dependent control penalties | |
| US11883630B2 (en) | Event-triggered model predictive control for embedded artificial pancreas systems | |
| CN110124150A (zh) | 一种基于自适应柔化因子策略的广义预测控制闭环胰岛素输注系统 | |
| Lynch et al. | Model predictive control of blood glucose in type I diabetics using subcutaneous glucose measurements | |
| KR102211352B1 (ko) | 제1형 당뇨병 응용을 위한 인공 췌장의 모델-기반 개인화 방식 | |
| CN110124151A (zh) | 一种基于自适应参考曲线策略的广义预测控制闭环胰岛素输注系统 | |
| Lynch et al. | Estimation-based model predictive control of blood glucose in type I diabetics: a simulation study | |
| CN104667379B (zh) | 动态闭环控制的胰岛素泵 | |
| CN107715230A (zh) | 基于云端大数据的胰岛素泵个体化配置优化系统和方法 | |
| JP2019528913A (ja) | 患者の血糖値を制御するための自動システム | |
| CN104958077A (zh) | 一种智能控制的闭环式人工胰腺系统 | |
| KR20160067926A (ko) | 인공 췌장에서의 폐루프 제어기에 대한 센서 교체로 인한 조정 계수의 제어 방법 및 시스템 | |
| KR20120047841A (ko) | 당뇨병 관련 치료의 자동 감시를 위한 방법 및 시스템 | |
| CA3071570C (en) | Closed-loop blood glucose control systems and methods | |
| US20190298918A1 (en) | Automated system for controlling the blood glucose level of a patient | |
| CN109925568A (zh) | 一种基于自适应柔化因子策略的广义预测控制胰岛素输注量计算方法 | |
| CN112402731B (zh) | 一种预防低血糖现象的闭环胰岛素输注系统 | |
| Ridha et al. | Model free control for type-1 diabetes: A fasting-phase study | |
| CN109925569A (zh) | 一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法 | |
| US11147922B2 (en) | Feedback predictive control approach for processes with time delay in the manipulated variable | |
| Saxena et al. | A simulation study on optimal IMC based PI/PID controller for mean arterial blood pressure | |
| Beneyto et al. | Postprandial fuzzy adaptive strategy for a hybrid proportional derivative controller for the artificial pancreas |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190625 |