CN110517748A - 一种基于三支决策的双激素人工胰脏模型预测控制算法 - Google Patents

一种基于三支决策的双激素人工胰脏模型预测控制算法 Download PDF

Info

Publication number
CN110517748A
CN110517748A CN201910806601.4A CN201910806601A CN110517748A CN 110517748 A CN110517748 A CN 110517748A CN 201910806601 A CN201910806601 A CN 201910806601A CN 110517748 A CN110517748 A CN 110517748A
Authority
CN
China
Prior art keywords
subsystem
infusion
glucagon
blood glucose
insulin
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
Application number
CN201910806601.4A
Other languages
English (en)
Inventor
孙超
孔雪华
杜鹏翔
高军
陆凯旋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN201910806601.4A priority Critical patent/CN110517748A/zh
Publication of CN110517748A publication Critical patent/CN110517748A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • External Artificial Organs (AREA)

Abstract

本发明公开了一种基于三支决策的双激素人工胰脏模型预测控制算法，属于控制算法领域；该模型预测控制算法利用胰岛素和胰高血糖素两种激素调节血糖，很大程度上避免了低血糖事件的发生，改进了血糖调节效果；该模型预测控制算法利用三支决策理论设计三个子系统之间的切换规则，提高了模型预测控制算法的运行效率和群体控制质量，兼顾了血糖调节的经济代价损失和控制效果，模型预测控制算法的整体效率有所提高；该模型预测控制算法利用粒子群算法对模型预测控制器的目标函数进行优化求解，运行速度快，精度较高，一定程度上提高了模型预测控制算法的运行效率。

Description

一种基于三支决策的双激素人工胰脏模型预测控制算法
技术领域
本发明涉及过程控制领域，尤其涉及一种基于三支决策的双激素人工胰脏模型预测控制算法。
背景技术
随着物质生活水平的提高和环境的恶化，糖尿病日益成为严重危害人类健康的多发疾病，我国糖尿病患者人数达到1.144亿，已成为世界第一糖尿病大国，发病形式相当严峻。目前医学界还没有根治糖尿病的手段，人工胰脏系统被认为是治疗糖尿病果有前景的方法之一。
闭环控制算法是人工胰脏的核心，关于只输注胰岛素的单激素人工胰脏闭环控制算法的研究已取得一定成果，但均不可避免出现低血糖现象。由于低血糖事件对人体有着极大的危害，因此通过输注胰岛素和胰高血糖素两种激素控制血糖的双激素人工胰脏闭环控制算法是治疗糖尿病更为有效的手段。关于双激素人工胰脏闭环控制算法的研究相对较少，主要是利用不同的控制器分别控制胰岛素和胰高血糖素的输注速率实现血糖调节，因此双激素人工胰脏闭环控制算法中不同控制器之间的切换规则设计是研究的重点之一。现有切换规则主要是以博弈论、经济代价函数思想为基础设计的，取得了较好的血糖调节效果，但仍存在偶尔低血糖事件、运行效率和群体控制质量较低的状况，因此，为了进一步提高双激素人工胰脏的控制效果和整体效率，对切换规则的设计仍是研究的重点。
综上所述，现有切换规则仍存在系统整体效率不够高、偶尔低血糖事件和群体控制质量较低的问题。本发明利用三支决策理论，设计了一个既能够减少胰岛素和胰高血糖素所带来的经济代价又能提高群体控制质量的切换规则。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于三支决策的双激素人工胰脏模型预测控制算法；其可以兼顾血糖调节经济代价和控制效果的切换规则，以三支决策理论为依托，实现双激素人工胰脏各个子系统之间的合理切换。
本发明解决其技术问题所采用的技术方案是：
一种基于三支决策的双激素人工胰脏模型预测控制算法，其特征在于：该算法内容包括如下步骤：
一、人工胰脏模型预测控制模型
(1)确定人工胰脏模型预测控制的整体框架
包括胰岛素输注子系统、胰高血糖素输注子系统和激素输注量始终为0的零输注子系统；通过各个子系统之间的切换调节血糖水平；
(2)子系统预测模型
采用Bergman最小化模型构建关于胰岛素和血糖的胰岛素输注子系统预测模型；考虑在历史血糖值的基础上血糖随时间的变化的零输注子系统预测模型；将胰高血糖素输注速率-血浆胰高血糖素浓度和血浆胰高血糖素浓度-血糖的两个模型进行组合构成胰高血糖素输注子系统预测模型；
(3)各子系统的目标函数
对于胰岛素输注子系统和胰高血糖素输注子系统，由各子系统预测模型的预测血糖值与当前真实血糖值的差值最小作为各子系统的目标函数；利用粒子群优化算法对各子系统的目标函数进行优化求解，即得当前时刻两种激素的最优输注量；
(4)切换规则的确定
利用三支决策理论，根据当前时刻使用每个子系统所需承担的决策风险，选择切换到风险最小的子系统；
二、双激素人工胰脏模型预测控制
利用人工胰脏模型预测控制算法进行当前所选子系统对应激素输注量的输注，根据检测到的血糖值进行子系统切换的选择，重复对应激素的输注、血糖值的检测、子系统切换的选择操作，完成双激素人工胰脏的模型预测控制。
进一步的技术方案在于，子系统的目标函数包括J1,J3：
其中，J1为所设计的胰岛素输注子系统的目标函数，J3为所设计的胰高血糖素输注子系统的目标函数，y1(t)和y3(t)分别表示胰岛素输注子系统和胰高血糖素输注子系统的血糖预测值，ysp(t)＝130mg/dl为血糖设定值，yh(t)＝180mg/dl表示控制区间上限，yl(t)＝70mg/dl表示控制区间下限，R1、Q1和S1分别表示胰岛素输注子系统的设定值控制权重系数、控制输入权重系数和区间控制权重系数，R3、Q3和S3分别表示胰高血糖素输注子系统的设定值控制权重系数、控制输入权重系数和区间控制权重系数。
进一步的技术方案在于，切换规则的确定的具体步骤包括：
首先设计主要由血糖预测值与控制区间上下限间偏差造成的控制风险和激素输注造成的经济代价构成的代价矩阵，该代价矩阵由两个状态集和三个行动集组成，矩阵值表示在该状态下采用该行动集所付出的代价；其次分别计算三个预测模型预测的血糖值处于两个状态集的概率，将行动集对应的两个代价矩阵值与对应的概率值相乘再求和，即为当前时刻采用该行动集所需承担的决策风险；最后依次计算出切换到三个子系统所需承担的决策风险值，选择风险最小的子系统对血糖进行调节。
进一步的技术方案在于，步骤二中所述的子系统预测模型包括胰岛素子系统预测模型，其为：
其中，t表示时间；u1代表模型预测控制算法中胰岛素输注速率；y1代表模型预测控制算法中胰岛素输注子系统的预测血糖值；Gb、Ib分别是基础状态下的血糖、血浆胰岛素的浓度；I(t)[μU/ml]是血浆胰岛素浓度与其基础值的差值；X(t)为细胞组织间隙胰岛素浓度；P1[min-1]表示在基础胰岛素水平下，葡萄糖自身代谢和抑制肝糖输出的效能；P2[min-1]为细胞组织间隙胰岛素自身降解系数；P3[min-2·(μU/ml)-1]表示组织中胰岛素代谢调控作用的系数；n[min-1]为血浆胰岛素自身降解系数；V1[L]代表体积。
进一步的技术方案在于，步骤二中所述的子系统预测模型包括零输注子系统的预测模型，其为：
其中，t表示时间；y2代表模型预测控制算法中零输注子系统的预测血糖值；Gb是基础状态下的血糖的浓度；SG[min-1]是部分葡萄糖效果。
进一步的技术方案在于，步骤二中所述的子系统预测模型包括胰高血糖素子系统预测模型，其为：
其中，t表示时间；u3代表闭环控制方法中胰高血糖素输注速率；y3代表模型预测控制算法中胰高血糖素输注子系统的预测血糖值；Nb是基础状态下的血浆胰高血糖素浓度；N(t)[pg/ml]是血浆胰高血糖素的浓度；L(t)[min-1]代表胰高血糖素对葡萄糖产生的作用；Z1(t)[pg/kg]和Z2(t)[pg/kg]代表皮下注射胰高血糖素的两室吸收；SG[min-1]是部分葡萄糖效果；SN[min-1/(pg/dL)]代表胰高血糖素的敏感性；P4[min-1]是描述胰高血糖素作用的时间常数的倒数；kN[min-1]是胰高血糖素清除速率；tN[min]表示胰高血糖素吸收时间常数；VN[mL/kg]代表血浆胰高血糖素分布体积。
进一步的技术方案在于，步骤四中所述的双激素人工胰脏的三支决策切换规则，其内容包括如下步骤：
1)设计三支决策的代价矩阵，该矩阵由两个状态集和三个行动集组成，矩阵值表示在该状态下采用该行动集所付出的代价：
2)计算当前时刻采用每个行动集所需承担的决策风险：
M12＝(y2-180)TQ2(y2-180)
Yi＝p1M1i+p2M2i(i＝1,2,3)
其中，Y1,Y2,Y3分别表示切换胰岛素输注子系统、零输注子系统和胰高血糖素输注子系统所需承担的决策风险值；p1,p2分别表示预测血糖值大于180的概率即属于状态一的概率、预测血糖值介于0到180之间的概率即属于状态二的概率；M11,M12,M13分别表示在状态一下选择三个行动集的代价矩阵值；M21,M22,M23分别表示在状态二下选择三个行动集的代价矩阵值；y1(t)、y2(t)和y3(t)分别表示胰岛素输注子系统、零输注子系统和胰高血糖素输注子系统的血糖预测值；u1、u2和u3分别代表胰岛素输注速率、零输注子系统输入和胰高血糖素输注速率；m1、m2分别是胰岛素和胰高血糖素的价格，R2、R4分别是胰岛素和胰高血糖素经济代价的权重系数，Q2、Q4分别为高血糖风险和低血糖风险的权重系数；
3)依次计算出切换到三个子系统所需承担的决策风险值，选择切换到风险最小的子系统对血糖进行调节，即将风险最小子系统的控制输入值ui传递给相应的激素输注泵，令其为虚拟病人输注激素；其中，决策矩阵中的价格因素由激素的价格矩阵和输注速率两部分构成，高低血糖风险由预测血糖与区间上下限间的偏差组成。
本发明的有益效果主要表现在：
1.该模型预测控制算法利用胰岛素和胰高血糖素两种激素调节血糖，很大程度上避免了低血糖事件的发生，改进了血糖调节效果；
2.利用三支决策理论设计三个子系统之间的切换规则，提高了模型预测控制算法的运行效率和群体控制质量，兼顾了血糖调节的经济代价损失和控制效果，模型预测控制算法的整体效率有所提高；
3.利用粒子群算法对模型预测控制器的目标函数进行优化求解，运行速度快，精度较高，一定程度上提高了模型预测控制算法的运行效率。
附图说明
图1为基于三支决策切换规则的双激素人工胰脏模型预测控制算法的结构框图；
图2为33个虚拟病人的血糖浓度曲线；
图3为血糖密度图；
图4为控制变异性网格分析图。
具体实施例
下面结合附图和具体实施例对本发明做进一步的详细描述。
双激素人工胰脏模型预测控制算法中包含三个子系统，其中，u1代表胰岛素输注速率；u2代表零输注子系统的输入，值恒为0；u3代表胰高血糖素输注速率；y1代表胰岛素输注子系统的预测血糖值；y2代表零输注子系统的预测血糖值；y3代表胰高血糖素输注子系统的预测血糖值。取预测步数为24，控制步数为10。
1、胰岛素输注子系统预测模型
关于胰岛素-血糖模型的研究较多，选用应用较为广泛的Bergman最小化模型。Bergman最小化模型综合考虑了血糖的降解、胰岛素的降解、胰岛素对机体吸收血糖速率、肝糖原输出速率等因素对血糖值的影响，由三个微分方程构成的微分方程组表示，公式如下：
其中，t表示时间，u1(t)是外界输注胰岛素速率，y1(t)[mg/dl]是血糖浓度，Gb和Ib是基础状态下的血糖和血浆胰岛素浓度，I(t)[μU/ml]是血浆胰岛素浓度与其基础值的差值，X(t)为细胞组织间隙胰岛素浓度。P1[min-1]表示在基础胰岛素水平下，葡萄糖自身代谢和抑制肝糖输出的效能，P2[min-1]为细胞组织间隙胰岛素自身降解系数，P3[min-2·(μU/ml)-1]表示组织中胰岛素代谢调控作用的系数。n[min-1]为血浆胰岛素自身降解系数，V1[L]代表体积。
2、零输注子系统预测模型
零输注子系统的模型采用改进的最小葡萄糖动力模型，公式如下：
其中，t表示时间，y2(t)[mg/dl]是血糖浓度，Gb是基础状态下的血糖浓度，SG[min-1]是部分葡萄糖效果。
3、胰高血糖素输注子系统预测模型
关于胰高血糖素-血糖模型的研究相对较少，胰高血糖素子系统的预测模型是将胰高血糖素输注速率-血浆胰高血糖素浓度模型和血浆胰高血糖素浓度-血糖模型进行组合构成复合模型得到的。该复合模型是由5个微分方程构成的微分方程组，公式如下：
其中，t表示时间，u3(t)是外界输注胰高血糖素的速率，y3(t)[mg/dl]是血糖浓度，Gb和Nb分别是基础状态下的血糖和血浆胰高血糖素浓度，N(t)[pg/ml]是血浆胰高血糖素的浓度，L(t)[min-1]代表胰高血糖素对葡萄糖产生的作用，Z1(t)[pg/kg]和Z2(t)[pg/kg]代表皮下注射胰高血糖素的两室吸收。SG[min-1]是部分葡萄糖效果，SN[min-1/(pg/dL)]代表胰高血糖素的敏感性，P4[min-1]是描述胰高血糖素作用的时间常数的倒数，kN[min-1]是胰高血糖素清除速率，tN[min]表示胰高血糖素吸收时间常数，VN[mL/kg]代表血浆胰高血糖素分布体积。
4、构造子系统目标函数
双激素人工胰脏闭环控制方法包含三个子系统，子系统均采用模型预测控制器，模型预测控制方法中优化所设计的目标函数得到当前最优控制输入。由于零输注子系统的控制输入始终为零，因此无需设计零输注子系统的目标函数。综合考虑激素使用的经济代价和控制效果两方面，胰岛素子系统和胰高血糖素子系统的目标函数包括控制输入和预测误差两部分，如下所示：
其中，J1为所设计的胰岛素输注子系统的目标函数，J3为所设计的胰高血糖素输注子系统的目标函数，y1(t)和y3(t)分别表示胰岛素输注子系统和胰高血糖素输注子系统的血糖预测值，ysp(t)＝130mg/dl为血糖设定值，yh(t)＝180mg/dl表示控制区间上限，yl(t)＝70mg/dl表示控制区间下限，R1、Q1和S1分别表示胰岛素输注子系统的设定值控制权重系数、控制输入权重系数和区间控制权重系数，R3、Q3和S3分别表示胰高血糖素输注子系统的设定值控制权重系数、控制输入权重系数和区间控制权重系数。利用粒子群优化算法对目标函数进行求解得到两个子系统的最优控制输入即胰岛素和胰高血糖素输注速率。
5、设计三个子系统之间的切换规则
为提高双激素人工胰脏模型预测控制算法的整体效率，利用三支决策理论的思想，综合考虑激素输注所带来的经济代价和算法控制效果，设计了适当的切换规则。
首先设计三支决策的代价矩阵，该矩阵由两个状态集和三个行动集组成，矩阵值表示在该状态下采用该行动集所付出的代价。
表1双激素人工胰脏三支决策切换的代价矩阵
其次计算当前时刻采用每个行动集所需承担的决策风险，
M12＝(y2-180)TQ2(y2-180)
Yi＝p1M1i+p2M2i(i＝1,2,3)
其中，Y1,Y2,Y3分别表示切换胰岛素输注子系统、零输注子系统和胰高血糖素输注子系统所需承担的决策风险值；p1,p2分别表示预测血糖值大于180的概率即属于状态一的概率、预测血糖值介于0到180之间的概率即属于状态二的概率；M11,M12,M13分别表示在状态一下选择三个行动集的代价矩阵值；M21,M22,M23分别表示在状态二下选择三个行动集的代价矩阵值；y1(t)、y2(t)和y3(t)分别表示胰岛素输注子系统、零输注子系统和胰高血糖素输注子系统的血糖预测值；u1、u2和u3分别代表胰岛素输注速率、零输注子系统输入和胰高血糖素输注速率；m1、m2分别是胰岛素和胰高血糖素的价格，R2、R4分别是胰岛素和胰高血糖素经济代价的权重系数，Q2、Q4分别为高血糖风险和低血糖风险的权重系数。
最后依次计算出切换到三个子系统所需承担的决策风险值，选择切换到风险最小的子系统对血糖进行调节。其中，决策矩阵中的价格因素由激素的价格矩阵和输注速率两部分构成，高低血糖风险由预测血糖值与区间上下限间的偏差组成。
6、目标函数求解
基于三支决策的双激素人工胰脏模型预测控制算法中通过优化目标函数得到当前最优的控制输入即激素输注速率，采用粒子群优化算法求解目标函数包括如下步骤：
步骤一初始化参数、粒子和速度；
步骤二计算适应度函数值，即根据初始化值计算所设计的目标函数值；
步骤三计算个体极值和群体极值。在初始化状态下，个体极值是每个个体的初始化值对应的目标函数值，群体极值是群体所包含的个体初始化值对应的目标函数值中最小的目标函数值；
步骤四个体速度和位置更新。其中，ω是惯性权重，c1,2,r1,r2是相关参数，k是迭代次数，是个体速度，是个体位置；
步骤五适应度函数更新，根据更新的粒子速度和位置计算相应的目标函数值；
步骤六个体极值和群体极值更新，根据计算的目标函数值，从中选出相应的最小值即为个体极值和群体极值；
步骤七若迭代次数已经达到所设置的最大迭代次数，输出最优解；否则，转第四步，寻找下一个最优解。
7、仿真实验
采用美国弗吉尼亚大学和意大利帕多瓦大学联合开发的Uva仿真平台进行仿真实验，该平台提供了33个虚拟病人，其中11个成人、11个青少年和11个儿童，基本涵盖了各个年龄段的糖尿病患者。选择33个虚拟病人，设计分别在早上7:00，中午12:00和下午18:00摄入45g、70g和80g的碳水化合物的场景，取预测步数为24，控制步数为10进行为期一天的仿真实验。实验中设置初始血糖值为100mg/dl，设置体现个体差异性的胰岛素基础输注速率，控制目标是将血糖调节到[70,180]的区间内，胰岛素价格设为0.3元/U，胰高血糖素价格为1元/U。
33个虚拟病人血糖值随时间变化的曲线表明，除个别对象出现短时间轻微高血糖现象外，绝大部分虚拟病人的血糖处于正常范围内。血糖密度图给出了血糖的概率分布，可看出33个虚拟病人全部血糖值中只有4％处于轻微高血糖，96％均处于正常范围内，无低血糖状况。控制变异性网格分析图中73％处于A区域，27％处于B区域，取得了较好的控制效果。

Claims (7)

1.一种基于三支决策的双激素人工胰脏模型预测控制算法，其特征在于：该算法内容包括如下步骤：
一、人工胰脏模型预测控制模型
(1)确定人工胰脏模型预测控制的整体框架
包括胰岛素输注子系统、胰高血糖素输注子系统和激素输注量始终为0零输注子系统；通过各个子系统之间的切换调节血糖水平；
(2)子系统预测模型
采用Bergman最小化模型构建关于胰岛素和血糖的胰岛素输注子系统预测模型；考虑在历史血糖值的基础上血糖随时间变化的零输注子系统预测模型；将胰高血糖素输注速率-血浆胰高血糖素浓度和血浆胰高血糖素浓度-血糖的两个模型进行组合构成胰高血糖素输注子系统预测模型；
(3)各子系统的目标函数
对于胰岛素输注子系统和胰高血糖素输注子系统，由各子系统预测模型的预测血糖值与当前真实血糖值的差值最小作为各子系统的目标函数；利用粒子群优化算法对各子系统的目标函数进行优化求解，即得当前时刻两种激素的最优输注量；
(4)切换规则的确定
利用三支决策理论，根据当前时刻使用每个子系统所需承担的决策风险，选择切换到风险最小的子系统；
二、双激素人工胰脏模型预测控制
利用人工胰脏模型预测控制模型进行当前所选子系统对应激素输注量的输注，根据检测到的血糖值进行子系统切换的选择，重复对应激素的输注、血糖值的检测、子系统切换的选择操作，完成双激素人工胰脏的闭环控制。
2.根据权利要求1所述的一种基于三支决策的双激素人工胰脏模型预测控制算法，其特征在于：子系统的目标函数包括J1,J3：
其中，J1为所设计的胰岛素输注子系统的目标函数，J3为所设计的胰高血糖素输注子系统的目标函数，y1(t)和y3(t)分别表示胰岛素输注子系统和胰高血糖素输注子系统的血糖预测值，ysp(t)＝130mg/dl为血糖设定值，yh(t)＝180mg/dl表示控制区间上限，yl(t)＝70mg/dl表示控制区间下限，R1、Q1和S1分别表示胰岛素输注子系统的设定值控制权重系数、控制输入权重系数和区间控制权重系数，R3、Q3和S3分别表示胰高血糖素输注子系统的设定值控制权重系数、控制输入权重系数和区间控制权重系数。
3.根据权利要求1所述的一种基于三支决策的双激素人工胰脏模型预测控制算法，其特征在于：切换规则的确定的具体步骤包括：
首先设计主要由血糖预测值与控制区间上下限间偏差造成的控制风险和激素输注造成的经济代价构成的代价矩阵，该代价矩阵由两个状态集和三个行动集组成，矩阵值表示在该状态下采用该行动集所付出的代价；其次分别计算三个预测模型预测的血糖值处于两个状态集的概率，将行动集对应的两个代价矩阵值与对应的概率值相乘再求和，即为当前时刻采用该行动集所需承担的决策风险；最后依次计算出切换到三个子系统所需承担的决策风险值，选择风险最小的子系统对血糖进行调节。
4.根据权利要求1所述的一种基于三支决策的双激素人工胰脏模型预测控制算法，其特征在于，步骤二中所述的子系统预测模型包括胰岛素子系统预测模型，其为：
其中，t表示时间；u1代表胰岛素输注速率；y1代表胰岛素输注子系统的血糖预测值；Gb、Ib分别是基础状态下的血糖、血浆胰岛素的浓度；I(t)[μU/ml]是血浆胰岛素浓度与其基础值的差值；X(t)为细胞组织间隙胰岛素浓度；P1[min-1]表示在基础胰岛素水平下，葡萄糖自身代谢和抑制肝糖输出的效能；P2[min-1]为细胞组织间隙胰岛素自身降解系数；P3[min-2·(μU/ml)-1]表示组织中胰岛素代谢调控作用的系数；n[min-1]为血浆胰岛素自身降解系数；V1[L]代表体积。
5.根据权利要求1所述的一种基于三支决策的双激素人工胰脏模型预测控制算法，其特征在于，步骤二中所述的子系统预测模型包括零输注子系统的预测模型，其为：
其中，t表示时间；y2代表零输注子系统的血糖预测值；Gb是基础状态下的血糖浓度；SG[min-1]是部分葡萄糖效果。
6.根据权利要求1所述的一种基于三支决策的双激素人工胰脏模型预测控制算法，其特征在于，步骤二中所述的子系统预测模型包括胰高血糖素子系统预测模型，其为：
其中，t表示时间；u3代表闭环控制方法中胰高血糖素输注速率；y3代表模型预测控制算法中胰高血糖素输注子系统的预测血糖值；Nb是基础状态下的血浆胰高血糖素浓度；N(t)[pg/ml]是血浆胰高血糖素的浓度；L(t)[min-1]代表胰高血糖素对葡萄糖产生的作用；Z1(t)[pg/kg]和Z2(t)[pg/kg]代表皮下注射胰高血糖素的两室吸收；SG[min-1]是部分葡萄糖效果；SN[min-1/(pg/dL)]代表胰高血糖素的敏感性；P4[min-1]是描述胰高血糖素作用的时间常数的倒数；kN[min-1]是胰高血糖素清除速率；tN[min]表示胰高血糖素吸收时间常数；VN[mL/kg]代表血浆胰高血糖素分布体积。
7.根据权利要求1所述的一种基于三支决策的双激素人工胰脏模型预测控制算法，其特征在于，步骤四中所述的双激素人工胰脏的三支决策切换规则，其内容包括如下步骤：
1)设计三支决策的代价矩阵，该矩阵由两个状态集和三个行动集组成，矩阵值表示在该状态下采用该行动集所付出的代价：
2)计算当前时刻采用每个行动集所需承担的决策风险：
M12＝(y2-180)TQ2(y2-180)
Yi＝p1M1i+p2M2i(i＝1,2,3)
其中，Y1,Y2,Y3分别表示切换胰岛素输注子系统、零输注子系统和胰高血糖素输注子系统所需承担的决策风险值；p1,p2分别表示预测血糖值大于180的概率即属于状态一的概率、预测血糖值介于0到180之间的概率即属于状态二的概率；M11,M12,M13分别表示在状态一下选择三个行动集的代价矩阵值；M21,M22,M23分别表示在状态二下选择三个行动集的代价矩阵值；y1(t)、y2(t)和y3(t)分别表示胰岛素输注子系统、零输注子系统和胰高血糖素输注子系统的血糖预测值；u1、u2和u3分别代表胰岛素输注速率、零输注子系统输入和胰高血糖素输注速率；m1、m2分别是胰岛素和胰高血糖素的价格，R2、R4分别是胰岛素和胰高血糖素经济代价的权重系数，Q2、Q4分别为高血糖风险和低血糖风险的权重系数；
3)依次计算出切换到三个子系统所需承担的决策风险值，选择切换到风险最小的子系统对血糖进行调节，即将风险最小子系统的控制输入值ui传递给相应的激素输注泵，令其为虚拟病人输注激素；其中，决策矩阵中的价格因素由激素的价格矩阵和输注速率两部分构成，高低血糖风险由预测血糖值与区间上下限间的偏差组成。
CN201910806601.4A 2019-08-29 2019-08-29 一种基于三支决策的双激素人工胰脏模型预测控制算法 Pending CN110517748A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910806601.4A CN110517748A (zh) 2019-08-29 2019-08-29 一种基于三支决策的双激素人工胰脏模型预测控制算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910806601.4A CN110517748A (zh) 2019-08-29 2019-08-29 一种基于三支决策的双激素人工胰脏模型预测控制算法

Publications (1)

Publication Number Publication Date
CN110517748A true CN110517748A (zh) 2019-11-29

Family

ID=68627844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910806601.4A Pending CN110517748A (zh) 2019-08-29 2019-08-29 一种基于三支决策的双激素人工胰脏模型预测控制算法

Country Status (1)

Country Link
CN (1) CN110517748A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814737A (zh) * 2020-07-27 2020-10-23 西北工业大学 一种基于序贯三支决策的目标意图识别方法
CN113205884A (zh) * 2021-05-12 2021-08-03 中国科学院深圳先进技术研究院 一种血糖预测方法、系统及其应用
CN114903648A (zh) * 2022-05-09 2022-08-16 北京理工大学 一种基于eso和模型预测控制的双激素人工胰腺控制器

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101772769A (zh) * 2007-08-02 2010-07-07 诺沃-诺迪斯克有限公司 用于辅助胰岛素给药的营养参数估计
TW201509380A (zh) * 2013-03-15 2015-03-16 Animas Corp 用於人工胰臟之封閉迴路控制的方法及系統
US20160354543A1 (en) * 2015-06-02 2016-12-08 Ali Cinar Multivariable artificial pancreas method and system
CN109635849A (zh) * 2018-11-22 2019-04-16 华中师范大学 一种基于三支c-means决策的目标聚类方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101772769A (zh) * 2007-08-02 2010-07-07 诺沃-诺迪斯克有限公司 用于辅助胰岛素给药的营养参数估计
TW201509380A (zh) * 2013-03-15 2015-03-16 Animas Corp 用於人工胰臟之封閉迴路控制的方法及系統
US20160354543A1 (en) * 2015-06-02 2016-12-08 Ali Cinar Multivariable artificial pancreas method and system
CN109635849A (zh) * 2018-11-22 2019-04-16 华中师范大学 一种基于三支c-means决策的目标聚类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李冬果: "Bergman 最小模型的研究进展", 《现代生物医学进展》 *
汤凤娜: "双激素人工胰脏的经济模型预测控制", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814737A (zh) * 2020-07-27 2020-10-23 西北工业大学 一种基于序贯三支决策的目标意图识别方法
CN111814737B (zh) * 2020-07-27 2022-02-18 西北工业大学 一种基于序贯三支决策的目标意图识别方法
CN113205884A (zh) * 2021-05-12 2021-08-03 中国科学院深圳先进技术研究院 一种血糖预测方法、系统及其应用
CN114903648A (zh) * 2022-05-09 2022-08-16 北京理工大学 一种基于eso和模型预测控制的双激素人工胰腺控制器
CN114903648B (zh) * 2022-05-09 2022-11-22 北京理工大学 一种基于eso和模型预测控制的双激素人工胰腺控制器

Similar Documents

Publication Publication Date Title
CN110517748A (zh) 一种基于三支决策的双激素人工胰脏模型预测控制算法
AU2016287512B2 (en) Velocity-weighting model predictive control of an artificial pancreas for type 1 diabetes applications
Lynch et al. Estimation-based model predictive control of blood glucose in type I diabetics: a simulation study
Lynch et al. Model predictive control of blood glucose in type I diabetics using subcutaneous glucose measurements
CN110289094B (zh) 一种基于专家规则的胰岛素精准给药决策方法
KR20150108860A (ko) 제1형 당뇨병 응용을 위한 인공 췌장에 대한 모델 예측 제어 문제에서의 일주기 목표-구역 조절
Resalat et al. Design of a dual-hormone model predictive control for artificial pancreas with exercise model
CA2816388A1 (en) Maintaining multiple defined physiological zones using model predictive control
CN114903648B (zh) 一种基于eso和模型预测控制的双激素人工胰腺控制器
Gondhalekar et al. Tackling problem nonlinearities & delays via asymmetric, state-dependent objective costs in MPC of an artificial pancreas
Palumbo et al. Tests on a virtual patient for an observer-based, closed-loop control of plasma glycemia
Glumčević et al. Closed-loop Artificial Pancreas Development: A Review
Fang et al. A new insulin-glucose metabolic model of type 1 diabetes mellitus: An in silico study
Camacho et al. Comparison between PID-Fuzzy and Numerical Methods Based on Linear Algebra Controllers for Glucose Control in Type 1 Diabetes Treatment
Dansa et al. Bihormonal sliding mode controller applied to blood glucose regulation in patients with type 1 diabetes
El Hachimi et al. Overcoming control challenges in the artificial pancreas
Abuin et al. Artificial pancreas under periodic MPC for trajectory tracking: handling circadian variability of insulin sensitivity
CN116884569A (zh) 优化人工胰腺中胰岛素输注速率以提高抗干扰能力的方法
Chee et al. Simulation study on automatic blood glucose control
Wang et al. Adaptive model predictive control with particle filter for artificial pancreas
WO2023070247A1 (en) Closed-loop artificial pancreas insulin infusion control system
EL HACHIMI et al. Robust Optimal Control of Artificial Pancreas
Noguchi et al. Mathematical model of glucose-insulin metabolism from carbohydrates in type 1 diabetes during postprandial and postabsorptive states
Barkai Fully automated insulin delivery: artificial pancreas
Sari Optimal blood glucose level control using dynamic programming based on minimal Bergman model

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191129

RJ01 Rejection of invention patent application after publication