CN111048178A - 胰岛素控制方法、装置和设备 - Google Patents

胰岛素控制方法、装置和设备 Download PDF

Info

Publication number
CN111048178A
CN111048178A CN201911402363.7A CN201911402363A CN111048178A CN 111048178 A CN111048178 A CN 111048178A CN 201911402363 A CN201911402363 A CN 201911402363A CN 111048178 A CN111048178 A CN 111048178A
Authority
CN
China
Prior art keywords
insulin
network
target
strategy
insulin control
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
CN201911402363.7A
Other languages
English (en)
Inventor
王晓梅
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.)
Hangzhou Zhisheng Data Technology Co Ltd
Original Assignee
Hangzhou Zhisheng Data Technology Co Ltd
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 Hangzhou Zhisheng Data Technology Co Ltd filed Critical Hangzhou Zhisheng Data Technology Co Ltd
Priority to CN201911402363.7A priority Critical patent/CN111048178A/zh
Publication of CN111048178A publication Critical patent/CN111048178A/zh
Pending legal-status Critical Current

Links

Images

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Evolutionary Computation (AREA)
  • Veterinary Medicine (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Vascular Medicine (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Emergency Medicine (AREA)

Abstract

本发明提供一种胰岛素控制方法，装置和设备，涉及血糖控制领域，该方法包括：通过接收针对人体的血糖控制目标指令；对人体体内生理参数进行检测，获得t时刻人体生理参数集St；将生理参数集St输入胰岛素控制模型，获取t时刻人体需要的胰岛素剂量Nt；在t+1时刻迭代重复上述步骤；本方案中的胰岛素控制模型基于深层确定性策略梯度模型训练获得，根据测得的葡萄糖分布优化每个人体的每日基础胰岛素率和胰岛素与碳水化合物的比率，可以实时学习每日血糖曲线中的人体特征，并提供个性化的胰岛素调节方案，能够适应快速动态变化的人体血糖值，从而维持血糖在合理范围内。

Description

胰岛素控制方法、装置和设备
技术领域
本发明涉及血糖控制领域，更具体的，涉及胰岛素控制方法、装置和设备。
背景技术
1型糖尿病人体的胰腺由于自身免疫破坏胰岛β细胞而不产生胰岛素激素，因此会导致血糖水平过度升高，从而导致各种并发症。目前，使用胰岛素泵模拟基础量与大剂量的方法来对1型糖尿病人体进行血糖调整的方法越发常见。其中，基础量和大剂量均根据人体自身的生理参数进行计算，胰岛素泵注射可以有效控制病人血糖，减轻病人部分负担。但是，这种方法需要人工手动操作的环节较多，存在较大人为因素的影响。
目前，一些相关领域的研发者也提出了将人工智能系统加入胰岛素控制管理中，使用基于人工智能算法的胰岛素控制系统来对胰岛素的注入量进行自动化计算。鉴于血糖与胰岛素之间相互作用的闭环性质，针对这一问题研究人员开发了各种控制理论算法，有比例积分微分(PID)、模型预测控制器(MPC)和模糊逻辑(MD-logic)算法。医学界也提出了一些模型来模拟人体的胰腺功能，并给出当前的血糖水平，决定要注射多少胰岛素才能达到目标血糖。
但是，人体的血糖变化受到饮食、日常活动、锻炼压力和激素等各种因素的影响，往往比较复杂、并具有非线性和时变性质。上述的一些控制算法要么是基于线性系统设计的、或者是用于开环系统优化的，亦或是依赖于设计者经验的基于规则，它们往往只能适用于特定的血糖模型，并不能良好的适应人体血糖值的动态变化，因此都具有局限性。
发明内容
本发明的目的在于克服现有技术中存在的上述问题，提供一种胰岛素控制方法、装置和设备，能够实现对胰岛素控制策略的快速动态调整，从而实现对快速动态变化的人体血糖值进行有效控制。
为实现上述技术目的，达到上述技术效果，本发明实施例是通过以下技术方案实现：
一方面，提供了一种胰岛素控制方法，所述方法包括以下步骤：
接收针对人体的血糖控制目标指令；
对人体体内生理参数进行检测，获得t时刻人体生理参数集St；
将所述t时刻人体生理参数集St输入胰岛素控制模型，获取t时刻人体需要的胰岛素剂量Nt；
命令胰岛素递送装置执行递送所述胰岛素剂量Nt；
在t+1时刻迭代重复上述步骤；
所述胰岛素控制模型基于深层确定性策略梯度模型训练获得。
本申请实施例提供的胰岛素控制方法所使用的胰岛素控制模型基于深层确定性策略梯度模型训练获得，能够及时根据人体生理参数的变化，及时更新参数从而采取新的胰岛素控制策略，适应快速动态变化的人体血糖值，并且本方法对环境参数的依赖度较小，适应性广，局限性小，能够起到及时、有效、快速调整的血糖控制效果。
可选的，所述胰岛素控制模型包括：
策略模型，根据所述生理参数集St，获取胰岛素控制策略集；
选择模型，根据所述胰岛素控制策略集，获取所述人体需要的胰岛素剂量Nt；
记忆库，所述记忆库是所述胰岛素控制模型中所有模型的共享存储器，用于存储相关参数信息及已经学习的经验，并与所述胰岛素控制模型中所有模型相关联；
根据所述血糖控制目标与t+1时刻的生理参数集St+1确定对人体的血糖控制效果；
根据所述血糖控制效果，调整所述胰岛素控制模型中所有模型的参数。
所述记忆库能够存储所述胰岛素控制模型中的所有模型及其子模型的训练参数及学习经验，即使更换了不同的人体、初始化网络参数后，也能及时提取记忆库中已经学习到的经验来针对不同人体、不同血糖控制目标及时完成有效的控制。
可选的，所述策略模型包括：
行动网络，所述行动网络包括估计行动网络和目标行动网络；
评价网络，所述评价网络包括估计评价网络和目标评价网络；
所述估计行动网络与所述目标行动网络结构相同，所述目标行动网络参数更新滞后于所述估计行动网络；
所述估计评价网络与所述目标评价网络结构相同，所述目标评价网络参数更新滞后于所述估计评价网络。
可选的，所述估计行动网络和所述目标行动网络参数当前值不同步；
所述估计评价网络和所述目标评价网络当前值不同步。
可选的，所述目标行动网络的参数当前值来自于所述行动网络的参数更新值；
所述目标评价网络的参数当前值来自于所述评价网络的参数更新值。
可选的，所述行动网络的参数更新值由所述记忆库中存储的所述学习的经验确定；
所述行动网络参数的当前值的更新及所述评价网络的当前值的更新，也存储入所述记忆库。
可选的，所述目标行动网络和所述目标评价网络的参数当前值被约束为缓慢梯度改变。
可选的，在所述目标行动网络和所述目标评价网络的参数当前值已经写入记忆库之后，才能执行参数更新操作。
本申请中的行动网络与评价网络都采用了双网络结构，由各自的估计网络与目标网络构成，估计网络根据相关参数实时进行更新，而目标网络的更新则滞后于估计网络，两套网络不同步更新的方式，能够有效的维持所述策略模型的学习效率，与学习的有效性与稳定性。
可选的，所述策略模型还包括：
将所述生理参数集St输入所述估计行动网络，获取估计策略；
将所述生理参数集St与所述估计策略输入所述估计评价网络，获取所述估计策略的价值Qe；
将所述生理参数集St+1输入所述目标行动网络，获取目标策略；
将所述目标策略输入所述目标评价网络，获取所述目标策略的价值Qt；
根据所述目标策略的价值Qt与所述估计策略的价值Qe，获取所述胰岛素控制策略集，并且对所述估计行动网络及所述估计评价网络参数进行更新。
本申请中的策略模型中的评价网络由估计评价网络与目标评价网络组成，估计评价网络对由估计行动网络产生的估计策略进行价值评价，这里的估计策略可以是多个策略，获取的所述估计策略的价值Qe可以是多个估计策略的价值集合；目标行动网络则通过下一时刻的生理参数集St+1来获取目标策略的价值Qt，通过目标策略的价值Qt与估计策略的价值Qe之间的差距来获得整个策略模型的参数调整信息，以此逐步更接近血糖控制目标。
可选的，在获取估计策略过程中，加入随机量，生成各向维度的估计策略。
可选的，所述随机量贯序相关的OU噪声。
所述随机量与OU噪声的加入，能够使得所述策略模型更有效的进行学习。
一方面，提供了一种胰岛素控制装置，所述装置包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上任一所述的胰岛素控制方法。
一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述计算机可读存储介质在计算机上运行时，使得计算机执行如上任一所述的控制方法。
一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储如上任一所述的控制方法产生的任一数据。
一方面，提供了一种胰岛素控制设备，所述设备包括如上所述的胰岛素控制装置。
可选的，所述设备还包括传感器和胰岛素输送装置，所述传感器用于检测人体生理参数，所述生理参数至少包括血液的血糖浓度，所述传感器将所述人体生理参数传送至所述胰岛素控制装置，所述胰岛素控制装置控制所述胰岛素输送装置递送胰岛素的剂量和时间。
本申请提供的技术方案带来的有益效果至少包括：
本申请提供了一种胰岛素控制方法，装置和设备，通过接收针对人体的血糖控制目标指令；对人体体内生理参数进行检测，获得t时刻人体生理参数集St；将生理参数集St输入胰岛素控制模型，获取t时刻人体需要的胰岛素剂量Nt；在t+1时刻迭代重复上述步骤；本方案中的胰岛素控制模型基于深层确定性策略梯度模型训练获得，根据测得的葡萄糖分布优化每个人体的每日基础胰岛素率和胰岛素与碳水化合物的比率，可以实时学习每日血糖曲线中的人体特征，并提供个性化的胰岛素泵送方案，从而提供一种最佳估计血糖控制的方法。并且，能够及时根据人体生理参数的变化，及时更新参数从而采取新的胰岛素控制策略，适应快速动态变化的人体血糖值，并且本方法对环境参数的依赖度较小，适应性广，局限性小，能够起到及时、有效、快速调整的血糖控制效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种胰岛素控制方法的流程图；
图2为本发明实施例提供的一种胰岛素控制模型的架构图；
图3为本发明实施例提供的一种策略模型的局部架构图；
图4为本发明实施例提供的一种胰岛素控制方法的流程图；
图5为本发明实施例提供的一种胰岛素控制装置结构示意图；
图6为本发明实施例提供的一种胰岛素控制设备的穿戴示意图；
图7为本发明实施例提供的一种胰岛素控制方法的实验数据图；
图8为本发明实施例提供的一种胰岛素控制方法的实验数据图；
图9为本发明实施例提供的一种胰岛素控制方法的实验数据图；
图10为本发明实施例提供的一种胰岛素控制方法的实验数据图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明的范围。
为了方便理解，下面先对本申请实施例中涉及的名词进行解释：
强化学习(Reinforcement Learning,RL)：又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题，是一种通过奖惩来学习正确行为的机制。
深层确定性策略梯度模型(Deep Deterministic Policy Gradient，DDPG)：是深度强化学习领域的一个新的理论，结合了深度学习领域的卷积神经网络与强化学习领域的行动-评价(Actor-Critic)与深度价值学习(DeepQlearning，DQN)这几大网络结构，能够同时通过策略梯度(Policy Gradients)与价值梯度来进行学习，从而获得更好的策略。
深度价值学习(DeepQlearning，DQN)，强化学习的一种方式，结合了深度学习中的卷积神经网络与强化学习中的价值学习(Qlearning)两种方式，通过加入记忆库与双网络结构的方式来提高价值学习的效率。
策略梯度(Policy Gradients)：强化学习的一种方式，无需经过价值评价就能选择动作，能在一个连续区间内挑选动作策略，通过奖惩进行反向传递来学习。
行动—评价(Actor-Critic)：强化学习的一种方式，结合了策略梯度(PolicyGradients)与价值学习(Qlearning)两种方式，通过行动者(actor)选择策略，评价者(Critic)出时间差分误差信号和结果奖励的方式，来给出动者(actor)如何更好更接近目标的选择策略，从而更新参数。
图1是本发明实施例提供的一种胰岛素控制方法的流程图，该方法可以用于胰岛素控制装置、胰岛素控制设备中，具体步骤如下：
步骤101，接收针对人体的血糖控制目标指令；
步骤102，对人体体内生理参数进行检测，获得t时刻人体生理参数集St；
步骤103，将t时刻人体生理参数集St输入胰岛素控制模型，获取t时刻人体需要的胰岛素剂量Nt；
步骤104，命令胰岛素递送装置执行递送胰岛素剂量Nt；
步骤105，在t+1时刻迭代重复上述步骤；
其中，胰岛素控制模型基于深层确定性策略梯度模型训练获得。
参考图2，可选的，该胰岛素控制模型还包括：
策略模型，能够根据生理参数集St，获取胰岛素控制策略集；
选择模型，更够根据胰岛素控制策略集，获取人体需要的胰岛素剂量Nt；
记忆库，记忆库是胰岛素控制模型中所有模型的共享存储器，用于存储相关参数信息及已经学习的经验，并与胰岛素控制模型中所有模型相关联；
根据血糖控制目标与t+1时刻的生理参数集St+1确定对人体的血糖控制效果；
根据血糖控制效果，调整胰岛素控制模型中所有模型的参数。
策略模型同时以生理参数集St作为其环境参数，生理参数集St可以包括人体的血糖值、体温、心率等生理参数中的一种或者多种，但至少包括人体的血糖值。
记忆库能够存储胰岛素控制模型中的所有模型及其子模型的训练参数及学习经验，即使更换了不同的人体、初始化网络参数后，也能及时提取记忆库中已经学习到的经验来针对不同人体、不同血糖控制目标及时完成有效的控制。同时，记忆库使得胰岛素控制模型中的各个模型与其子模型之前能够实现信息的交互，分享学习经验，从而提高学习效率。
可选的，策略模型包括：
行动网络，行动网络包括估计行动网络和目标行动网络；
评价网络，评价网络包括估计评价网络和目标评价网络；
估计行动网络与目标行动网络结构相同，目标行动网络参数更新滞后于估计行动网络；
估计评价网络与目标评价网络结构相同，目标评价网络参数更新滞后于估计评价网络。
可选的，估计行动网络和目标行动网络参数当前值不同步；
估计评价网络和目标评价网络当前值不同步。
可选的，目标行动网络的参数当前值来自于行动网络的参数更新值；
目标评价网络的参数当前值来自于评价网络的参数更新值。
可选的，行动网络的参数更新值由记忆库中存储的学习的经验确定；
行动网络参数的当前值的更新及评价网络的当前值的更新，也存储入记忆库。
可选的，目标行动网络和目标评价网络的参数当前值被约束为缓慢梯度改变。
可选的，在目标行动网络和目标评价网络的参数当前值已经写入记忆库之后，才能执行参数更新操作。
其中，行动网络与评价网络都采用了双网络结构，参考图3是策略模型的局部模型，表述了这种双网络架构关系，由各自的估计网络与目标网络构成，估计网络根据相关参数实时进行更新，而目标网络的更新则滞后于估计网络，两套网络不同步更新的方式，能够有效的维持策略模型的学习效率，与学习的有效性与稳定性。
图4所述，可选的，该策略模型还包括以下步骤：
步骤401，将生理参数集St输入估计行动网络，获取估计策略；
步骤402，将生理参数集St与估计策略输入估计评价网络，获取估计策略的价值Qe；
步骤403，将生理参数集St+1输入目标行动网络，获取目标策略；
步骤404，将目标策略输入目标评价网络，获取目标策略的价值Qt；
步骤405，根据目标策略的价值Qt与估计策略的价值Qe，获取胰岛素控制策略集，并且对估计行动网络及估计评价网络参数进行更新。
策略模型中的评价网络由估计评价网络与目标评价网络组成，估计评价网络对由估计行动网络产生的估计策略进行价值评价，这里的估计策略可以是多个策略，获取的估计策略的价值Qe可以是多个估计策略的价值集合；目标行动网络则通过下一时刻的生理参数集St+1来获取目标策略的价值Qt，通过t时刻目标策略的价值Qt与估计策略的价值Qe之间的差距来获得整个策略模型的参数调整信息，以此逐步更接近血糖控制目标。
同时，策略模型结合了下一时刻人体生理参数集St+1反馈来对当前执行的控制策略的控制效果进行反馈，通过执行策略的价值反馈与t时刻目标策略的价值Qt与估计策略的价值Qe之间的差距，使行动网络能够输出更接近血糖控制目标的，更好的血糖控制策略。
可选的，在获取估计策略过程中，加入随机量，生成各向维度的估计策略。
可选的，随机量贯序相关的OU噪声。
随机量与OU噪声的加入，能够使得策略模型更有效的进行学习。
图2示出了本发明实施例提供的一种胰岛素控制模型的架构图，图3示出了该胰岛素控制模型的局部架构图，下面结合图2与图3以及上述胰岛素控制方法，对本发明实施例提供的一种胰岛素控制方法，如何进行胰岛素控制策略输出的过程进行解释：
接收到血糖控制目标指令后，对当前，如t时刻对人体的身体状态进行检测，获取t时刻人体的生理参数集St；
示例性的，可以通过命令检测装置如传感器等，进行检测；
其中，人体的生理参数集St至少包括人体t时刻的血糖值；
初始化估计行动网络和估计评价网络的参数，将估计行动网络和估计评价网络的参数拷贝更新至目标行动网络与目标评价网络，并初始化OU随机过程；
估计行动网络根据t时刻人体生理参数集St估计行动策略at，并将估计行动策略at输入策略梯度网络与估计评价网络；
示例性的，估计行动网络根据t时刻人体生理参数集St估计行动策略至少有一个；
估计评价网络根据t时刻人体生理参数集St与估计行动策略，获取估计行动策略的价值梯度Qe；
策略梯度网络根据估计行动策略获取估计行动策略的策略梯度；
根据估计行动策略的策略梯度与估计行动策略的价值梯度Qe，输出胰岛素控制策略集；
选择网络根据胰岛素控制策略集，选取控制策略，确定人体在t时刻所需要的胰岛素剂量Nt；
命令胰岛素递送装置执行递送胰岛素剂量Nt；
将执行的t时刻策略模型所选择的胰岛素递送剂量Nt的后的结果，反馈至策略模型；
示例性的，如反馈执行胰岛素递送剂量Nt后，人体体内的血糖值变化；
目标动作网络根据下一时刻，如t+1时刻人体的生理参数集St+1向目标评价网络输出目标行动策略；
目标评价网络根据目标行动策略，获取目标行动策略的价值梯度Qt；
获取每个时刻目标行动策略的价值梯度Qt与估计行动策略的价值梯度Qe的误差；
获取t时刻执行策略的反馈值；
将每个时刻执行策略的反馈值与每个时刻目标行动策略的价值梯度Qt与估计行动策略的价值梯度Qe的误差输入评价网络，再由评价网络反馈至当前时刻的估计行动策略的价值梯度，以此指导估计行动网络作出更接近血糖控制目标的策略；
同时根据上述t时刻执行策略的反馈值，及每个时刻目标行动策略的价值梯度Qt与估计行动策略的价值梯度Qe的误差来对估计评价网络与估计行动网络的参数进行更新；
并将所有参数更新及学习经验存入记忆库；
上述所有网络可以从记忆库中调取所有已经学习过的参数与经验；
在下一个时刻迭代重复上述操作；
可选的，为了使得该胰岛素控制方法能够在实际使用取得更好更稳定的效果，可以预先对胰岛素控制模型进行训练，并将相关参数与学习经验存入记忆库，以此方便人体使用搭载该控制方法的装置、设备。
本发明实施例提供的一种胰岛素控制装置结构，其结构示意图如图5，包括：处理器501，存储器502，及存储在存储器502上并可在的处理器501上运行的计算机程序503，处理器501执行计算机程序503时实现如上任一所述的胰岛素控制方法。
本发明实施例提供的一种胰岛素控制设备，其穿戴示意图如图6，包括：
胰岛素控制装置601，传感器602，胰岛素递送装置603，
该设备的胰岛素控制装置601是如上实施例所述的胰岛素控制装置，搭载有如上实施例所述的胰岛素控制方法。
传感器602用于检测人体生理参数，生理参数至少包括血液的血糖浓度，传感器602将人体生理参数传送至胰岛素控制装置601，胰岛素控制装置控制胰岛素输送装置递送胰岛素的剂量和时间。
可选的，传感器与胰岛素控制装置之间无线连接；
可选的，传感器与胰岛素控制装置都与远程服务器进行通信，能够远程对人体身体状态以及胰岛素控制设备进行实时监控，发现异常情况时，启动报警，提示相关医护人员；
可选的，胰岛素控制装置601搭载有操作界面；
示例性的，人体可以通过操作界面来实施查看自己的血糖值，以及控制设备的状态。
图7、图8、图9、图10示出了，上述胰岛素控制方法的实验数据图，具体实验说明如下：
上述实施例提供的胰岛素控制方法使用的训练模型主要使用葡SimGlucose库提供的模拟数据进行训练。
SimGlucose是用Python实现的1型糖尿病模拟器。这个模拟器是美国食品及药物管理局FDA批准的UVa/Padova胰岛素-血糖动力学仿真模拟器(2008年版本)的实施版本。模拟器包括30名虚拟人体，10名青少年，10名成人，10名儿童。此外，这个模拟器提供了目前为止最多的基本控制器，也是目前医疗研究机构采用最广泛的模拟器。
采用adolescent-001作为主体训练胰岛素控制模型，模型训练用了500个时间点的数据，并调用了python库garage，SimGlucose和Theano。对于policy/actor,Qfunction/critic，我们引入了行为噪声OU，后面我们采用了确定性的MLP策略，连续MLP的Q函数和OU策略。
行为空间和步骤采用Padova模拟器中的公式，另外用一个随机函数来模拟主体在给定时间的进食，这样使我们的智能体(agent)在多个不同场景下进行训练。我们用adolescent-002来测试和评价模型，训练和测试系统都是用的相同的胰岛素泵和设备。
使用胰岛素控制器和基准模型驱动控制器即胰岛素-葡萄糖动力学模型Padova的控制器(BBController)与本文算法进行对比，以下简称BBController控制器为BB控制器。
BBController的单餐和多餐动态胰岛素调整结果：
图7是BB控制器对主体adolescent-002单餐进食扰动后的胰岛素和持续血糖监测(CGM)的关系图，主体ID是Padova模拟环境中从主体列表中随机抽取的，基于主体id的监测参数，BB控制器根据Padova模型给出了一个定量的基础胰岛素0.01529U/min,在7:00am时，进食了CHO接近10，餐量大小为30的食量，在进食的扰动影响下，BBController计算出大约0.8的bolus胰岛素由胰岛素泵注入，注意到血糖水平在9点达到峰值300mg/dL后大约4小时左右血糖水平降到餐后正常水平。
图8说明在给予每6小时的三餐膳食干扰情况下，BB控制器对血糖的反应，从图中看出BB控制器在每次感应到进餐时，根据模型计算出每顿进餐需要的胰岛素剂量，三次给了比基础胰岛素多了不到2个单位的胰岛素剂量，可以看出血糖水平在餐后2小时达到峰值后开始逐步下降，在第三次达到峰值的时候，一次性给予大剂量胰岛素注射，大约3个小时左右血糖逐步回归到平稳状态。BB控制器对多餐干扰带来的血糖扰动比单餐干扰对血糖的控制更加有效。
用本申请实施例提供的胰岛素控制装置在相同的实验环境下对单餐和多餐膳食扰动情况下的胰岛素控制进行了对比性研究。
图9显示了单餐膳食干扰的结果，我们发现，与BBController相比，本申请实施例提供的胰岛素控制装置在单餐情况下表现很好，血糖波动较小。血糖在大剂量胰岛素注射后1个多小时达到峰值，且波动较小，在一个小时左右血糖持续下降然后趋于正常平稳状态。这种现象可以解释为：本申请实施例提供的胰岛素控制装置是基于纯数据驱动来采取行动更新环境状态下的血糖调节，而不是依据先验模型进行血糖调节。
图10显示了在多餐膳食干扰的情况下，本申请实施例提供的胰岛素控制装置在这种场景下的响应特征，我们观测到，和图5所示的BBController相比，血糖得到了非常满意的调节，无论从持续时间和幅度方面，波动低了很多。进一步证实了我们的直觉，即基于本申请实施例提供的胰岛素控制装置更适合处理快速，动态的血糖紊乱情况。另外值得注意的是，由于这个算法持续与环境交互的反应最大化奖励函数，即使单独使用基础basal胰岛素，也是很有可能获得比模型控制器更可控的血糖水平。鉴于我们有限的实验，我们得出结论，在频繁多餐情况下本申请实施例提供的胰岛素控制装置比BBController在控制血糖波动方面表现出更加优异的性能。
糖尿病人体的胰岛素调整策略一直都在追求更加智能化的方案，人工胰腺的研究也已经有了40多年的历史，直到近期自动闭环式人工胰腺系统有望投入临床使用。目前，自动闭环式胰岛素控制系统主要有三部分：
1.持续葡萄糖监测(CGM)，用于感应当前血糖并发送测量结果至胰岛素输注设备
2.控制算法(Control Algorithm，CA)，根据血糖浓度自动进行胰岛素释放的智能调节系统
3.可进行精确胰岛素输注的胰岛素泵(CSII)。
目前，CGM和CSII系统已经较为完善，但是控制1型糖尿病人体的血糖仍面临许多挑战。我们知道葡萄糖动力学过程是复杂的、时变和非线性的，有许多外部已知或未知的因素影响血糖水平，如食物摄入、身体活动、压力和激素变化。一般来说，很难预测和量化这些因素和干扰。工程师们已经提出了各种控制理论算法解决人工胰腺调整胰岛素剂量的问题。但是这些控制算法(CA)自身仍存在缺陷，因此还未能全面投入到临床的使用。
近年来，随着人工智能和机器学习的发展，强化学习作为一种控制未知非线性系统的数据驱动方法出现，并被用作慢性病的长期管理工具。与其他方法相比，强化学习(RL)的最大优点是算法只依赖于与系统的交互，并不需要一个良好的环境模型。这就使得强化学习(RL)非常适合1型糖尿病，因为胰岛素动力学的建模过程很复杂，需要对人体进行有创性的测量，或者必须通过一个大数据集进行拟合。因此，采用强化学习(RL)作为控制算法，可以绕过建模过程，使算法不受任何建模误差的影响。目前，基于强化学习(RL)的胰岛素控制算法和实验方面国内几乎一片空白。
因此，在本发明中我们没有假设葡萄糖-胰岛素系统的模型，而是提出了一个基于机器学习数据驱动的胰岛素控制器的设计。我们使用强化学习(RL)的方式，在这种学习中，智能体(agent)根据环境的当前状态做出决策，并且反复与环境交互，每次它的动作都会收到反馈(奖励或者惩罚)。Agent的目标是最大化累积奖励函数或最小化累积成本函数。基于强化学习(RL)智能体和人类做决策的过程很相似。
我们将基于胰岛素的糖尿病护理的闭环性质描述为一个深度强化学习问题，目的是确定理想的胰岛素给药时间和量，从而以最小的调整和波动更好地管理血糖水平。利用监测到的人体生理状态，如血糖水平作为环境状态，然后根据观察到的这个状态给予胰岛素剂量作为行为策略，下一时刻的人体生理状态，如血糖水平为该行为向下一状态的变化的作用结果，目标是尽可能最小化随时间累积的损失函数(葡萄糖水平与理想间隔的偏差)的惩罚。
为了实现更好的血糖控制，我们将上述方法编入胰岛素装置，如胰岛素控制器，并利用上述控制器研发了胰岛素控制设备。我们使用Simglucose编程环境实现了胰岛素控制器，并支持开放的AI Gym框架，在单餐和多餐膳食扰动下，比较了这种胰岛素控制器和基准模型驱动控制器即胰岛素-葡萄糖动力学模型Padova的控制器(BBController)，实验表明，这种胰岛素控制器比BBController反应更灵敏、更有效地控制因动态时变条件下带来的血糖扰动。
相比传统的基于模型的血糖-胰岛素控制器(BB Ccontroller简称BB控制器)，在胰岛素释放控制，血糖波动水平控制上，能够对于快速动态变化的血糖控制有效作用，单餐情况下1-1.5小时控制血糖恢复稳定，多餐情况下0.5-1小时内恢复稳定。速度相比传统基于模型的BB控制器方法提高近一倍。
本申请实施例提供的胰岛素控制方法，不仅实现小剂量胰岛素注射量控制而且也实现了大剂量胰岛素注射控制，将1型糖尿病人体日常血糖值维持在正常水平，人体再也不用担心运动，或者进食带来的血糖波动而感到困扰，也不用为计算进食量和胰岛素用量而绞尽脑汁，节省了大量的人力，也能够给糖尿病人体带来更轻松的生活方式。
基于本申请实施例提供的胰岛素控制方法的特点，这个基于此开发的胰岛素控制器及胰岛素控制设备够对这种复杂，时变和非线性的血糖变化采用自学习自适应方式，最大化累积奖励函数来获得最优的胰岛素静注方案，最大程度上满足因个体差异引起的胰岛素用量的改变，更加个性化，更安全更可靠。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (16)

1.一种胰岛素控制方法，所述方法包括以下步骤：
接收针对人体的血糖控制目标指令；
对人体体内生理参数进行检测，获得t时刻人体生理参数集St；
将所述t时刻人体生理参数集St输入胰岛素控制模型，获取t时刻人体需要的胰岛素剂量Nt；
命令胰岛素递送装置执行递送所述胰岛素剂量Nt；
在t+1时刻迭代重复上述步骤；
其特征在于，所述胰岛素控制模型基于深层确定性策略梯度模型训练获得。
2.根据权利要求1所述的胰岛素控制方法，其特征在于，所述胰岛素控制模型包括：
策略模型，根据所述生理参数集St，获取胰岛素控制策略集；
选择模型，根据所述胰岛素控制策略集，获取所述人体需要的胰岛素剂量Nt；
记忆库，所述记忆库是所述胰岛素控制模型中所有模型的共享存储器，用于存储相关参数信息及已经学习的经验，并与所述胰岛素控制模型中所有模型相关联；
根据所述血糖控制目标与t+1时刻的生理参数集St+1确定对人体的血糖控制效果；
根据所述血糖控制效果，调整所述胰岛素控制模型中所有模型的参数。
3.根据权利要求2所述的胰岛素控制方法，其特征在于，所述策略模型包括：
行动网络，所述行动网络包括估计行动网络和目标行动网络；
评价网络，所述评价网络包括估计评价网络和目标评价网络；
所述估计行动网络与所述目标行动网络结构相同，所述目标行动网络参数更新滞后于所述估计行动网络；
所述估计评价网络与所述目标评价网络结构相同，所述目标评价网络参数更新滞后于所述估计评价网络。
4.根据权利要求3所述的胰岛素控制方法，其特征在于，所述估计行动网络和所述目标行动网络参数当前值不同步；
所述估计评价网络和所述目标评价网络当前值不同步。
5.根据权利要求3所述的胰岛素控制方法，其特征在于，所述目标行动网络的参数当前值来自于所述行动网络的参数更新值；
所述目标评价网络的参数当前值来自于所述评价网络的参数更新值。
6.根据权利要求5所述的胰岛素控制方法，其特征在于，所述行动网络的参数更新值由所述记忆库中存储的所述学习的经验确定；
所述行动网络参数的当前值的更新及所述评价网络的当前值的更新，也存储入所述记忆库。
7.根据权利要求6所述的胰岛素控制方法，其特征在于，所述目标行动网络和所述目标评价网络的参数当前值被约束为缓慢梯度改变。
8.根据权利要求3所述的胰岛素控制方法，其特征在于，在所述目标行动网络和所述目标评价网络的参数当前值已经写入记忆库之后，才能执行参数更新操作。
9.根据权利要求3所述的胰岛素控制方法，其特征在于，所述策略模型还包括：
将所述生理参数集St输入所述估计行动网络，获取估计策略；
将所述生理参数集St与所述估计策略输入所述估计评价网络，获取所述估计策略的价值Qe；
将所述生理参数集St+1输入所述目标行动网络，获取目标策略；
将所述目标策略输入所述目标评价网络，获取所述目标策略的价值Qt；
根据所述目标策略的价值Qt与所述估计策略的价值Qe，获取所述胰岛素控制策略集，并且对所述估计行动网络及所述估计评价网络参数进行更新。
10.根据权利要求9所述的胰岛素控制方法，其特征在于，在获取估计策略过程中，加入随机量，生成各向维度的估计策略。
11.根据权利要求10所述的胰岛素控制方法，其特征在于，所述随机量贯序相关的OU噪声。
12.一种胰岛素控制装置，其特征在于，所述装置包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至11任一所述的胰岛素控制方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述计算机可读存储介质在计算机上运行时，使得计算机执行如权利要求1至11任一所述的控制方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储如权利要求1至11任一所述的控制方法产生的任一数据。
15.一种胰岛素控制设备，其特征在于，所述设备包括如权利要求12所述的胰岛素控制装置。
16.根据权利要求15所述的设备，其特征在于，所述设备还包括传感器和胰岛素输送装置，所述传感器用于检测人体生理参数，所述生理参数至少包括血液的血糖浓度，所述传感器将所述人体生理参数传送至所述胰岛素控制装置，所述胰岛素控制装置控制所述胰岛素输送装置递送胰岛素的剂量和时间。
CN201911402363.7A 2019-12-30 2019-12-30 胰岛素控制方法、装置和设备 Pending CN111048178A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911402363.7A CN111048178A (zh) 2019-12-30 2019-12-30 胰岛素控制方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911402363.7A CN111048178A (zh) 2019-12-30 2019-12-30 胰岛素控制方法、装置和设备

Publications (1)

Publication Number Publication Date
CN111048178A true CN111048178A (zh) 2020-04-21

Family

ID=70241384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911402363.7A Pending CN111048178A (zh) 2019-12-30 2019-12-30 胰岛素控制方法、装置和设备

Country Status (1)

Country Link
CN (1) CN111048178A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908445A (zh) * 2021-02-20 2021-06-04 上海市第四人民医院 基于强化学习的糖尿病患者血糖管理方法、系统、介质及终端
CN115662616A (zh) * 2022-10-24 2023-01-31 重庆联芯致康生物科技有限公司 基于cgm的危重患者智能化血糖管理系统及其管理方法
WO2023130598A1 (zh) * 2022-01-06 2023-07-13 苏州百孝医疗科技有限公司 胰岛素推荐方法和装置、监控血糖水平的系统
FR3142279A1 (fr) * 2022-11-23 2024-05-24 Diabeloop Dispositif et procédé de détermination d'une valeur de recommandation d'un paramètre de régulation d'un dispositif d'infusion de fluide.
FR3142280A1 (fr) * 2022-11-23 2024-05-24 Diabeloop Method for determining an uncertainty level of deep reinforcement learning network and device implementing such method. Procédé de détermination d'un niveau d'incertitude d'un réseau d'apprentissage

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102576375A (zh) * 2009-05-29 2012-07-11 弗吉尼亚大学专利基金会 用于糖尿病的开环和闭环控制的系统协调器和模块化体系结构
CN102892895A (zh) * 2010-03-11 2013-01-23 弗吉尼亚大学专利基金会 用于糖尿病中的胰岛素泵动作和其他胰岛素递送模式的安全性、分析和监督的方法和系统
CN106845085A (zh) * 2016-12-30 2017-06-13 武汉飞博科技有限公司 一种糖尿病的在线监控系统及其使用方法
CN109124648A (zh) * 2018-07-17 2019-01-04 桂林电子科技大学 基于能量代谢守恒法无创血糖检测模型的胰岛素作用因子计算方法
CN110124150A (zh) * 2019-04-30 2019-08-16 广东食品药品职业学院 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102576375A (zh) * 2009-05-29 2012-07-11 弗吉尼亚大学专利基金会 用于糖尿病的开环和闭环控制的系统协调器和模块化体系结构
CN102892895A (zh) * 2010-03-11 2013-01-23 弗吉尼亚大学专利基金会 用于糖尿病中的胰岛素泵动作和其他胰岛素递送模式的安全性、分析和监督的方法和系统
CN106845085A (zh) * 2016-12-30 2017-06-13 武汉飞博科技有限公司 一种糖尿病的在线监控系统及其使用方法
CN109124648A (zh) * 2018-07-17 2019-01-04 桂林电子科技大学 基于能量代谢守恒法无创血糖检测模型的胰岛素作用因子计算方法
CN110124150A (zh) * 2019-04-30 2019-08-16 广东食品药品职业学院 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
EASON.WXD: ""系统学习深度学习（三十八）--深度确定性策略梯度(DDPG)"", 《HTTPS://BLOG.CSDN.NET/APP_12062011/ARTICLE/DETAILS/92421347》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112908445A (zh) * 2021-02-20 2021-06-04 上海市第四人民医院 基于强化学习的糖尿病患者血糖管理方法、系统、介质及终端
WO2023130598A1 (zh) * 2022-01-06 2023-07-13 苏州百孝医疗科技有限公司 胰岛素推荐方法和装置、监控血糖水平的系统
CN115662616A (zh) * 2022-10-24 2023-01-31 重庆联芯致康生物科技有限公司 基于cgm的危重患者智能化血糖管理系统及其管理方法
FR3142279A1 (fr) * 2022-11-23 2024-05-24 Diabeloop Dispositif et procédé de détermination d'une valeur de recommandation d'un paramètre de régulation d'un dispositif d'infusion de fluide.
FR3142280A1 (fr) * 2022-11-23 2024-05-24 Diabeloop Method for determining an uncertainty level of deep reinforcement learning network and device implementing such method. Procédé de détermination d'un niveau d'incertitude d'un réseau d'apprentissage
EP4376016A1 (en) * 2022-11-23 2024-05-29 Diabeloop Method for determining an uncertainty level of deep reinforcement learning network and device implementing such method
EP4376015A1 (en) * 2022-11-23 2024-05-29 Diabeloop Device and method for determining a recommendation value of a control parameter of a fluid infusion device

Similar Documents

Publication Publication Date Title
CN111048178A (zh) 胰岛素控制方法、装置和设备
CN105050539B (zh) 用于1型糖尿病应用的人造胰腺的模型预测控制问题中的每日周期性目标区间调节
JP7019127B2 (ja) 強化学習に基づくインスリンの評価
Chakrabarty et al. Event-triggered model predictive control for embedded artificial pancreas systems
Magni et al. Model predictive control of glucose concentration in type I diabetic patients: An in silico trial
WO2020081393A1 (en) Control model for artificial pancreas
Miller et al. Automatic learning algorithm for the MD-logic artificial pancreas system
Abu-Rmileh et al. Internal model sliding mode control approach for glucose regulation in type 1 diabetes
CN112908445A (zh) 基于强化学习的糖尿病患者血糖管理方法、系统、介质及终端
Bahremand et al. Neural network-based model predictive control for type 1 diabetic rats on artificial pancreas system
Cinar et al. Advances in Artificial Pancreas Systems: Adaptive and Multivariable Predictive Control
Ngo et al. Reinforcement-learning optimal control for type-1 diabetes
Bastani Model-free intelligent diabetes management using machine learning
Di Ferdinando et al. Semiglobal sampled-data dynamic output feedback controller for the glucose–insulin system
Bamgbose et al. Closed loop control of blood glucose level with neural network predictor for diabetic patients
Alanis et al. Blood glucose level neural model for type 1 diabetes mellitus patients
Sun et al. Adaptive personalized prior-knowledge-informed model predictive control for type 1 diabetes
Hjerde Evaluating Deep Q-Learning Techniques for Controlling Type 1 Diabetes
Hoyos et al. Population-based incremental learning algorithm for identification of blood glucose dynamics model for type-1 diabetic patients
Mackey et al. Artificial pancreas control for diabetes using TD3 deep reinforcement learning
Dénes-Fazakas et al. Control of type 1 diabetes mellitus using direct reinforcement learning based controller
Patra et al. The linear quadratic regulator design for BG control in Type-I diabetes patient
Allam et al. Blood glucose regulation using a neural network predictor with a fuzzy logic controller
Eren-Oruklu et al. Self-tuning controller for regulation of glucose levels in patients with type 1 diabetes
Borle et al. The Challenge of Predicting Meal-to-meal Blood Glucose Concentrations for Patients with Type I Diabetes

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200421