CN116020003A - 闭环人工胰腺胰岛素输注控制系统 - Google Patents

Abstract

本发明公开了一种闭环人工胰腺多药物输注控制系统，包括：检测模块，检测模块用于检测当前血糖值；与检测模块相连接的程序模块，预设有rMPC算法，rPID算法和复合人工胰腺算法中的一种或多种；和输注模块，输注模块与程序模块相连，可以进行血糖药物和/或降血糖药物输注，根据rMPC算法，rPID算法或复合人工胰腺算法计算得出的相应输出指示，程序模块控制输注模块输注相应药物。该系统充分利用rPID算法和rMPC算法的优势来面对复杂的情景，使人工胰腺在各种情况下都能提供可靠的控制血糖的药物种类和药物输注量，从而使血糖控制达到理想水平，实现闭环人工胰腺多药物输注系统的精准控制。

Description

闭环人工胰腺胰岛素输注控制系统

技术领域

本发明主要涉及医疗器械领域，特别涉及一种闭环人工胰腺胰岛素输注控制系统。

背景技术

正常人的胰腺可根据人体血液中的葡萄糖水平，自动分泌所需的胰岛素/胰高血糖素，从而维持合理的血糖波动范围。而糖尿病患者的胰腺功能出现异常，无法正常分泌人体所需的胰岛素。糖尿病是代谢类疾病，为终身疾病。目前的医疗技术尚无法根治糖尿病，只能通过稳定血糖来控制糖尿病及其并发症的发生和发展。

糖尿病患者在向体内注射胰岛素之前需要检测血糖。目前的检测手段可以对血糖连续检测，并将血糖数据实时发送至显示设备，便于用户查看，这种检测方法称为持续葡萄糖检测(Continuous Glucose Monitoring，CGM)。该方法需要检测装置贴在皮肤表面，将其携带的探头刺入皮下的组织液完成检测。根据CGM检测到的血糖值，输注设备将当前所需的胰岛素输入皮下，进而构成闭环或者半闭环人工胰腺。

目前，为了实现人工胰腺的闭环或半闭环控制，比例-积分-微分(PID)算法和模型-预测-控制(MPC)算法被广泛研究，但由于PID算法结构简单，不太适用于扰动比较大而复杂的情景，而MPC算法面临准确模型很难建立及运算量大的困境，同样的问题也存在于闭环人工胰腺多药物输注控制系统。

因此，现有技术亟需一种含有优化的人工胰腺算法的闭环人工胰腺多药物输注控制系统。

发明内容

本发明实施例公开了一种闭环人工胰腺多药物输注控制系统，该系统中预设有rMPC算法，rPID算法和复合人工胰腺算法中的一种或多种，充分利用rPID算法和rMPC算法的优势来面对复杂的情景，使人工胰腺在各种情况下都能提供可靠的控制血糖的药物种类和药物输注量，从而使血糖到达理想水平，实现闭环人工胰腺多药物输注系统的精准控制。

本发明公开了一种闭环人工胰腺多药物输注控制系统，包括：检测模块，检测模块用于检测当前血糖值；与检测模块相连接的程序模块，预设有rMPC算法，rPID算法和复合人工胰腺算法中的一种或多种；和输注模块，输注模块与程序模块相连，可以进行血糖药物和/或降血糖药物输注，根据rMPC算法，rPID算法或复合人工胰腺算法计算得出的相应输出指示，程序模块控制输注模块输注相应药物。

根据本发明的一个方面，rMPC算法和rPID算法的血糖风险空间转换方法包括分段加权法，相对值转换，血糖风险指数转换和改进的控制易变性网格分析转换的一种或多种。

根据本发明的一个方面，rMPC算法和rPID算法的血糖风险空间转换方法中还包括以下

一种或多种处理方式：

①扣除和预测的血浆内降血糖药物或升血糖药物浓度估计成比例的分量；

②扣除在体内尚未起作用的降血糖药物或升血糖药物量；

③采用自回归方法对组织液葡萄糖浓度和血液葡萄糖的感测延迟进行补偿。

根据本发明的一个方面，相应输出指示包括药物输注类别和药物输注量，所述药物输注类别是通过比较血液葡萄糖浓度估计G_P与目标血糖浓度G_B而得出。

根据本发明的一个方面，当G_P≥G_B时，输注模块开始输注降血糖药物；当G_P＜G_B时，输注模块开始输注升血糖药物。

根据本发明的一个方面，I_b表示达到目标血糖浓度G_B时所需要输注的目标降血糖药物量，I_t表示算法计算的降血糖药物输注需求量，当G_P＜G_B，0≤I_t＜I_b时，输注模块同时输注降血糖药物和升血糖药物。

根据本发明的一个方面，相应输出指示是通过比较降血糖药物需求量I_t和目标降血糖药物量I_b而得出。

根据本发明的一个方面，当I_t≥0时，输注模块开始输注降血糖药物；当I_t＜0时，输注模块开始输注升血糖药物。

根据本发明的一个方面当0≤I_t＜I_b时，输注模块同时输注降血糖药物和升血糖药物。

根据本发明的一个方面，复合人工胰腺算法包括第一算法和第二算法，第一算法计算第一胰岛素输注量I₁，第二算法计算第二胰岛素输注量I₂，复合人工胰腺算法对第一胰岛素输注量I₁和第二胰岛素输注量I₂进行优化计算，得到最终胰岛素输注量I₃。

根据本发明的一个方面，最终胰岛素输注量I₃通过第一胰岛素输注量I₁和第二胰岛素输注量I₂的平均值进行优化：

①求解第一胰岛素输注量I₁和第二胰岛素输注量I₂的平均值

②将平均值

带入到第一算法和第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的第一算法和第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，最终胰岛素输注量I₃＝I₁＝I₂。

根据本发明的一个方面，最终胰岛素输注量I₃通过第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权均值进行优化：

①求解第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权均值

其中α和β分别为第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权系数；

②将加权均值

带入到第一算法和第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的第一算法和第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，最终胰岛素输注量I₃＝I₁＝I₂。

根据本发明的一个方面，第一算法和第二算法为经典PID算法、经典MPC算法、rMPC算法或rPID算法中的一种。

根据本发明的一个方面，最终胰岛素输注量I₃通过第一胰岛素输注量I₁和第二胰岛素输

注量I₂与历史数据的统计分析结果I₄进行比较后得到：

根据本发明的一个方面，降血糖药物和升血糖药物的输注量的计算算法相同或不同。

根据本发明的一个方面，检测模块、程序模块和输注模块中的其中两个模块互相连接组成一个整体结构，并与第三个模块分别粘贴在皮肤的不同位置。

根据本发明的一个方面，检测模块、程序模块和输注模块相连接组成一个整体结构，并粘贴在皮肤的同一位置。

根据本发明的一个方面，降血糖药物为胰岛素，升血糖药物为胰高血糖素。

与现有技术相比，本发明的技术方案具备以下优点：

在本发明公开的闭环人工胰腺多药物输注控制系统中，该系统中预设有将在原始物理空间不对称的血糖转换到近似对称的血糖风险空间的rMPC算法，rPID算法和复合人工胰腺算法中的一种或多种，充分利用rPID算法和rMPC算法的优势来面对复杂的情景，使人工胰腺在各种情况下都能提供可靠的控制血糖的药物种类和药物输注量，从而使血糖到达理想水平，实现闭环人工胰腺多药物输注系统的精准控制。

进一步的，药物输注的类别可以通过血液葡萄糖浓度估计G_P与目标血糖浓度G_B的比较，或胰岛素的需求量I_t和基础胰岛素需求量I_b的比较确定，方式多样，可灵活选择。

进一步的，当，0≤I_t＜I_b时，输注模块可以同时输注胰岛素和胰高血糖素，可以防止低血糖的发生。

进一步的，各阶段的胰岛素和胰高血糖素输注量由相同的算法计算得出，保证计算时基础条件的一致性，使计算结果更稳定。

进一步的，复合人工胰腺算法的最终输出是通过rMPC算法和rPID算法计算后得到的一致结果，该结果更加可行和可靠。

进一步的，复合人工胰腺算法的最终输出是通过rMPC算法和rPID算法计算结果的复合处理得到的，该处理结合历史控制数据的统计分析，从另一方面确保胰岛素输注量的可靠性。

进一步的，检测模块、程序模块和输注模块相连接组成一个整体结构，并粘贴在皮肤的同一位置。三个模块连接成一个整体并粘贴在同一位置，用户皮肤粘贴设备的数量将减少，进而减弱因粘贴较多设备对用户活动的干扰；同时，也有效解决了分离设备之间无线通信的可靠性问题，进一步提升用户体验。

附图说明

图1为根据本发明一个实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图；

图2为根据本发明一个实施例中通过分段加权处理和相对值转换法获得的风险空间与原始物理空间的血糖的关系对比图；

图3为根据本发明一个实施例中通过BGRI和CVGA方法转换获得的风险空间与原始物理空间的血糖的关系对比图；

图4为根据本发明一个实施例的胰岛素IOB曲线；

图5为根据本发明一个实施例中引用的主流的四种临床最优基础率设置类型的示意图；

图6为根据本发明另一个实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图；

图7为根据本发明又一个实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图；

图8为根据本发明另一个实施例闭环人工胰腺多药物输注控制系统模块关系示意图；

图9为根据本发明一个实施例的双药物切换示意图；

图10为根据本发明另一个实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图。

具体实施方式

如前所述，现有技术的人工胰腺由于PID算法结构简单，不适用于扰动比较大而复杂的情景，而MPC算法面临准确模型很难建立及运算量大的困境，同样的问题也存在于闭环人工胰腺多药物输注控制系统。

为了解决该问题，本发明提供了一种闭环人工胰腺多药物输注控制系统，系统中预设有rMPC算法，rPID算法和复合人工胰腺算法中的一种或多种，，充分利用rPID算法和rMPC算法的优势来面对复杂的情景，使人工胰腺在各种情况下都能提供可靠的控制血糖的药物种类和药物输注量，从而使血糖控制到理想水平，实现闭环人工胰腺多药物输注系统的精准控制。

现在将参照附图来详细描述本发明的各种示例性实施例。应理解，除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不应被理解为对本发明范围的限制。

此外，应当理解，为了便于描述，附图中所示出的各个部件的尺寸并不必然按照实际的比例关系绘制，例如某些单元的厚度、宽度、长度或距离可以相对于其他结构有所放大。

以下对示例性实施例的描述仅仅是说明性的，在任何意义上都不作为对本发明及其应用或使用的任何限制。这里对于相关领域普通技术人员已知的技术、方法和装置可能不作详细讨论，但在适用这些技术、方法和装置情况下，这些技术、方法和装置应当被视为本说明书的一部分。

应注意，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义或说明，则在随后的附图说明中将不需要对其进行进一步讨论。

图1为本发明实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图。

本发明实施例公开的闭环人工胰腺胰岛素输注控制系统主要包括检测模块100、程序模块101与输注模块102。

检测模块100用于连续检测用户当前血糖值。一般的，检测模块100为持续葡萄糖检测仪(Continuous Glucose Monitoring，CGM)，可以实时检测用户当前血糖值，并监控血糖变化，将当前血糖值发送至程序模块101。

程序模块101用于控制检测模块100与输注模块102的工作。因此，程序模块101分别与检测模块100和输注模块102相连接。在这里，相连接包括常规的电连接或者无线连接。

输注模块102包含输注胰岛素所必备的机械结构，且受程序模块101控制。根据程序模块101发出的当前胰岛素输注量数据，输注模块102向用户体内输注当前所需的胰岛素。同时，输注模块102的输注状态也能够实时反馈到程序模块101中。

本发明的实施例并不限制检测模块100、程序模块101与输注模块102具体的位置以及连接关系，只要能够满足前述的功能条件即可。

如在本发明的一个实施例中，三者互相电连接而组成一个整体结构。因此，三者粘贴在用户皮肤的同一个位置。三个模块连接成一个整体并粘贴在同一位置，用户皮肤粘贴设备的数量将减少，进而减弱因粘贴较多设备对用户活动的干扰；同时，也有效解决了分离设备之间无线通信可靠性的问题，进一步增强用户体验。

如在本发明的另一个实施例中，程序模块101与输注模块102互相连接而组成一个整体结构，而检测模块100单独设置于另一个结构中。此时，检测模块100与程序模块101互相发射无线信号以实现彼此连接。因此，程序模块101与输注模块102被粘贴在用户皮肤的某一个位置，而检测模块100被粘贴在用户皮肤的其他位置。

如在本发明的再一个实施例中，程序模块101与检测模块100互相连接而组成同一个设备，而输注模块102单独设置于另一个结构中。输注模块102与程序模块101互相发射无线信号以实现彼此连接。因此，程序模块101与检测模块100可被粘贴在用户皮肤的某一个位置，而输注模块102可被粘贴在用户皮肤的其他位置。

如在本发明的又一个实施例中，三者分别设置于不同的结构中。因此，三者被分别粘贴在用户皮肤的不同位置。此时，程序模块101分别与检测模块100、输注模块102之间互相发射无线信号以实现彼此连接。

需要说明的是，本发明实施例的程序模块101还具有存储、记录和访问数据库等功能，因此，程序模块101可以被重复利用。这样不仅能够存储用户身体状况数据，还节约生产成本与用户的使用成本。如上文所述，当检测模块100或者输注模块102寿命终止，程序模块101可与检测模块100、输注模块102或者同时与检测模块100和输注模块102分离。

一般的，检测模块100、程序模块101与输注模块102的使用寿命不同。因此，当三者互相电连接而组成同一个设备时，三者还可以两两互相分离。如某一个模块先终止寿命，用户可以只更换该模块，保留另两个模块继续使用。

在这里，需要说明的是，本发明实施例的程序模块101还可以包括多个子模块。根据子模块的功能，不同的子模块可分别设置于不同的结构中，在这里并不作具体限制，只要能够满足程序模块101的控制条件即可。

具体的，程序模块101中预设有将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险的rPID(风险-比例-积分-微分)算法，rPID算法是在经典PID(比例-积分-微分)算法的基础上进行转换处理得到的，具体的处理方式下文将详述，根据rPID算法计算得出的相应输注指示，程序模块101控制输注模块102输注胰岛素。

经典PID算法的可用下述公式表示：

其中：

K_P是比例部分的增益系数；

K_I是积分部分的增益系数；

K_D是微分部分的增益系数；

G表示当前血糖值；

G_B表示目标血糖值；

C表示常数；

PID(t)表示发送给胰岛素输注系统的输注指示。

考虑到糖尿病患者葡萄糖浓度的实际分布特征，比如正常的血糖范围为80-140mg/dL，也可放宽到70-180mg/dL，一般的低血糖可以达到20-40mg/dL，而高血糖可以达到400-600mg/dL。

高/低血糖的分布在原始物理空间具有显著的不对称性，临床实践中血糖偏离正常范围相同的程度对应的高血糖风险和低血糖风险会明显不同，比如从120mg/dL降低70mg/dL达到50mg/dL会被认为是严重低血糖，具有很高的临床风险，需采取补充碳水化合物等应急措施；而从120mg/dL升高70mg/dL达到190mg/dL才刚刚超出正常范围，对于糖尿病患者来说，该血糖偏高的程度并不严重，在日常情况下也经常达到，基本无需采取处理措施。

针对葡萄糖浓度临床风险的不对称特点，将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险，使PID算法更加稳健。

相应的，rPID算法公式转换成如下形式：

其中：

rPID(t)表示经风险转换后发送给胰岛素输注系统的输注指示；

r表示血糖风险；

其他各符号表示的意义如前所述。

为了维持PID积分的稳定，结合胰岛素降低血糖的生理作用，在本发明的一个实施例中，对PID的输入参数——血糖偏离量Ge＝G-G_B进行处理，如对Ge＝G-G_B做出分段加权处理，如下：

在本发明的另一实施例中，对于大于目标血糖G_B的偏离量采用相对值来转换，如下：

图2为通过分段加权处理和相对值转换获得的血糖风险空间与原始物理空间的血糖关系对比图。

在原始PID算法中，目标血糖值两侧的血糖风险(即Ge)呈现出与原始物理空间一致的严重不对称性，在转换到血糖风险空间后，血糖目标值两侧的血糖风险近似对称，这样积分项可以保持稳定，使rPID算法更加稳健。

在本发明的另一实施例中，在风险转换时存在固定的零风险点，对偏离零风险点两侧的数据进行处理。大于零风险点对应的原始参数在转换到风险空间时为正值，小于零风险对应的原始参数在转换到风险空间时为负值。具体的，可以借鉴经典的血糖风险指数(BGRI)方法，该方法基于临床实践，认为20mg/dL的低血糖和600mg/dL的高血糖的临床风险相当，通过对数化来整体处理20-600mg/dL范围内的血糖。设定该方法零风险点对应的血糖值为目标血糖值G_B。其风险空间转换公式如下：

其中:

r(G)＝10*f(G)²

转换函数f(G)如下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

在经典血糖风险指数方法中，该方法零风险点对应的血糖值为112mg/dL。在本发明的其他实施例中，零风险点血糖值也可以结合临床实践的风险及数据趋势进行调整，在此不做具体限定。对血糖值大于零风险点的血糖值的风险空间进行拟合，具体的拟合方式也不做具体限制。

在本发明的另一实施例中，借鉴改进的控制易变量网格分析ControlVariability Grid Analysis(CVGA)方法，原CVGA定义的零风险点血糖值为110mg/dL，并假定了以下等风险的血糖值数据对(90mg/dL，180mg/dL；70mg/dL，300mg/dL；50mg/dL，400mg/dL)，在本发明实施例中，结合临床实践的真实风险及数据的趋势特征考虑，对其进行了调整，将其中的(70mg/dL，300mg/dL)等风险数据对修正成了(70mg/dL，250mg/dL)，并将零风险点血糖值设定为目标血糖值G_B。并对其进行了多项式模型拟合，获得了如下的零风险点两侧分别处理的风险函数：

并对其最大值进行了限制：

|r|＝min(|r|,n)

其中限定最大值n的取值范围为0～80mg/dL，优选的，n的取值为60mg/dL。

在本发明的其他实施例中，零风险点血糖值和等风险数据对也可以结合临床实践的真实风险及数据趋势进行调整，在此不做具体限定，再对等风险点进行拟合，具体的拟合方式也不做具体限制；用于限定最大值的具体数值也不作具体限制。

图3是通过BGRI和CVGA方法转换至风险空间的血糖风险与原始物理空间中的血糖关系对比图。

与Zone-MPC的处理类似，在血糖正常范围内，通过BGRI和CVGA方法转换后的血糖风险都相当平缓，尤其是在80-140mg/dL内。不同于Zone-MPC在该范围内完全为0，失去了进一步调优的能力，rPID的风险在该范围内虽然平缓，但仍具有稳定的、缓慢的调整能力，可使血糖进一步向目标值调整，实现更精准的血糖控制。

在本发明的另一实施例中，对于偏离零风险点两侧的数据可以采用统一的处理方式，如前述实施例中，偏离零风险点两侧的数据可以均采用BGRI或CVGA方法；也可以采用不同的处理方式，如同时结合BGRI和CVGA方法，此时可以采用相同的零风险点血糖值，如目标血糖值G_B，当血糖值小于目标血糖值G_B时采用BGRI方法，血糖值大于目标血糖值G_B时采用CVGA方法，此时：

r＝-r(G),ifG≤G_B

其中:

r(G)＝10*f(G)²

转换函数f(G)如下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

r＝-4.8265*10⁴-4*G²+0.45563*G-44.855,ifG＞G_B。

同样的，也可以在血糖值小于目标血糖值G_B时采用CVGA方法，血糖值大于目标血糖值G_B时采用BGRI方法，此时：

r＝r(G),ifG>G_B

其中:

r(G)＝10*f(G)²

转换函数f(G)下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

r＝G-G_B,ifG≤G_B。

同时还可以对最大值进行限制：

|r|＝min(|r|,n)

其中限定最大值n的取值范围为0～80mg/dL，优选的，n的取值为60mg/dL。

在本发明的其他实施例中，还可以将零风险点的血糖值设定为目标血糖值G_B，对于小于或等于目标血糖值G_B的数据采用BGRI方法，而对于大于目标血糖值G_B的数据采用偏离量的处理方法，具体的如分段加权处理或相对值处理。

当采用分段加权处理时，此时：

r＝-r(G),ifG≤G_B

其中:

r(G)＝10*f(G)²

转换函数f(G)下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

当采用相对值处理时：

r＝-r(G),ifG≤G_B

其中:

r(G)＝10*f(G)²

拟合的对称转换函数f(G)下：

f(G)＝1.509*[(ln(G))^1.084-5.381]

r＝100*(G-G_B)/G,ifG＞G_B

当零风险点对应的血糖值均为目标血糖值G_B时，对于小于等于目标血糖值G_B的数据，采用分段加权处理、相对值处理以及CVGA方法时，其处理函数是一致的，因此，当对小于等于目标血糖值G_B的数据采取分段加权处理或相对值处理，对大于零风险点血糖值的数据采取BGRI方法时，处理结果等价于前述在血糖值小于等于目标血糖值G_B时采用CVGA方法，血糖值大于目标血糖值G_B时采用BGRI方法，其计算公式不再赘述。

需要说明的是，在本发明的各实施例中，目标血糖值G_B为80～140mg/dL，优选的，目标血糖值G_B为110～120mg/dL。

通过上述处理方式均能使rPID算法在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险，从而既能保留PID算法简单稳健的特点，又兼具针对性的有临床价值的血糖风险控制功能，实现闭环人工胰胰岛素腺输注系统的精准控制。

在闭环人工胰腺控制系统中存在三大延迟效应：胰岛素吸收延迟(从皮下到达血液循环组织约为20分钟，到达肝脏约为100分钟)，胰岛素起效延迟(约30-100分钟)，组织间液葡萄糖浓度与血液葡萄糖的感测延迟(约为5-15分钟)。任何加速闭环响应性的尝试都可能导致不稳定的系统行为和系统振荡。为了补偿闭环人工胰腺控制系统中的胰岛素吸收延迟，在本发明的一个实施例中，引入了胰岛素反馈补偿机制。从输出中扣除体内尚未被吸收的胰岛素量，一个和血浆胰岛素浓度估计成比例的分量

(实际人体胰岛素分泌也以血浆中的胰岛素浓度作为负反馈调节的信号)。其公式如下：

其中：

PID(t)表示发送给胰岛素输注系统的输注指示；

PID_c(t)表示发送给胰岛素输注系统的带补偿的输注指示；

γ表示估计的血浆胰岛素浓度对算法输出的补偿系数，系数变大会导致算法相对保守，系数变小则相对激进，因此，在本发明实施例中，γ的范围为0.4-0.6，优选的，γ为0.5。

表示血浆胰岛素浓度的估计，可由各种常规的预测算法获取，比如依据胰岛素的药代动力学曲线直接由输注的胰岛素计算，或采用常规的自回归方法：

其中：

表示当前时刻的血浆胰岛素浓度的估计；

PID_c(n-1)表示上一时刻带补偿的输出；

表示上一时刻的血浆胰岛素浓度的估计；

表示上上时刻的血浆胰岛素浓度的估计；

K₀表示上一时刻带补偿的输出部分的系数；

K₁表示上一时刻的血浆胰岛素浓度的估计部分的系数；

K₂表示上上时刻的血浆胰岛素浓度的估计部分的系数；

其中，初始值

各时刻间隔可根据实际需求选取。

相应的，通过前述方法进行风险转换后的补偿输出公式如下：

其中：

rPIDc(t)表示经风险转换后发送给胰岛素输注系统的带补偿的输注指示；

rPID(t)表示经风险转换后发送给胰岛素输注系统的输注指示；

其他各字符的表示意义如前所述。

为了补偿闭环人工胰腺控制系统中的胰岛素起效延迟，在本发明的一个实施例中，引入了体内尚未起作用的胰岛素IOB(insulin onboard)，在胰岛素的输出中扣除IOB，防止胰岛素输注累积、过量，造成餐后低血糖等风险。

图4是根据本发明实施例的胰岛素IOB曲线。

根据图4所示的IOB曲线，可以计算之前输注的胰岛素的累计残余量，具体曲线的选取，可以根据用户的实际胰岛素作用时间来确定。

PID′(t)＝PID(t)-IOB(t)

其中：

PID’(t)表示扣除IOB后发送给胰岛素输注系统的输注指示；

PID(t)表示发送给胰岛素输注系统的输注指示；

IOB(t)表示在t时刻在体内尚未起作用的胰岛素量。

相应的，通过前述方法进行风险转换后扣除在体内尚未起作用的胰岛素量的输出公式如下：

rPID′(t)＝rPID(t)-IOB(t)

其中：

rPID′(t)表示经风险转换后发送给胰岛素输注系统的扣除了在体内尚未起作用的胰岛素量的输注指示；

rPID(t)表示经风险转换后发送给胰岛素输注系统的输注指示；

其他各字符的表示意义如前所述。

为了获得更理想的控制效果，对IOB的计算做了如下处理，IOB_m、IOB_o分别对应于进餐胰岛素和除进餐外的其他胰岛素的IOB。公式如下：

IOB(t)＝IOB_m,t+IOB_o,t

其中：

其中：

IOB_m,t表示t时刻在体内尚未起作用的进餐胰岛素量；

IOB_o,t表示t时刻在体内尚未起作用的非进餐胰岛素量；

D_i(i＝2-8)表示分别对应于胰岛素作用时间为i的IOB曲线的相应系数；

I_m,t表示进餐胰岛素量；

I_0,t表示非进餐胰岛素量；

IOB(t)表示t时刻在体内尚未起作用的胰岛素量。

对IOB进行进餐胰岛素和非进餐胰岛素的区分处理，可以在进餐、血糖过高时让胰岛素更快清除，可以获得更大的胰岛素输出，血糖调节更快速。而接近目标时，采用更长的胰岛素作用时间曲线，让胰岛素更慢清除，血糖调节更保守、稳健。

当PID’(t)>0或rPID’(t)>0时，最终输注的胰岛素量为PID’(t)或rPID’(t)；

当PID’(t)<0或rPID’(t)<0时，最终输注的胰岛素量为0。

为了补偿闭环人工胰腺控制系统中的组织液葡萄糖浓度和血液葡萄糖的感测延迟，在本发明的一个实施例中，采用了自回归方法进行了补偿，公式如下：

其中，

G_SC(n)表示当前时刻组织间液葡萄糖浓度，即感测系统的测量值；

表示上一时刻血液葡萄糖的估计浓度；

G_SC(n-1)和G_SC(n-2)分别表示上一时刻和上上时刻组织间液葡萄糖浓度；

K₀表示上一时刻血液葡萄糖的估计浓度部分的系数；

K₁和K₂分别表示上一时刻和上上时刻组织间液葡萄糖浓度的系数。

其中，初始时刻，

通过组织间液葡萄糖浓度对血液葡萄糖浓度进行估计，补偿了组织液葡萄糖浓度和血液葡萄糖的感测延迟，使PID算法更为精准，相应的，rPID算法也能更为准确的计算出人体对胰岛素的实际需求。

在本发明实施例中，对于胰岛素吸收延迟，胰岛素起效延迟，组织液葡萄糖浓度和血液葡萄糖的感测延迟可以进行部分补偿或是全部补偿，优选的，考虑所有的延迟因素，进行全部补偿，使rPID算法更为精准。

在本发明的另一实施例中，程序模块101中预设有将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险的rMPC(风险-模型-预测-控制)算法，rMPC算法是在经典MPC(模型-预测-控制)算法的基础上进行转换处理得到的，根据rMPC算法计算得出的相应输注指示，程序模块101控制输注模块102输注胰岛素。

经典MPC算法由三个要素构成，预测模型、价值函数及约束条件。经典的MPC的预测模型如下：

x_t+1＝Ax_t+BI_t

G_t＝Cx_t

其中：

x_t+1表示下一时刻的状态参数，

x_t表示当前时刻的状态参数，

I_t表示当前时刻的胰岛素输注量；

G_t表示当前时刻的血糖浓度。

参数矩阵如下：

C＝[1 0 0]

b₁,b₂,b₃,K为先验值。

MPC的价值函数由输出G(血糖值)的偏差平方和和输入I(胰岛素量)的变化平方和构成。MPC需获取价值函数的最小解。

其中：

I′_t+j表示第j步后胰岛素输注量的变化；

表示第j步后预测血糖浓度和目标血糖值的差值；

t表示当前时刻；

N、P分别为控制时间窗口和预测时间窗口内的步数；

R为其中胰岛素分量的加权系数。

第j步的胰岛素输注量为I_t+I′_t+j。

在本发明实施例中，控制时间窗口T_c＝30min，预测时间窗口T_p＝60min，胰岛素量的加权系数R为11000。需要说明的是，虽然计算时采用的控制时间窗口为30min，实际运行时仅采用胰岛素输出的第一步运算结果，运行之后，根据获取的最新血糖值，重新计算上述价值函数的最小解。

在本发明实施例中，控制时间窗口内的输注时间步长为j_n，j_n的取值范围为0～30min，优选为2min。步数N＝T_c/j_n，j的范围为0到N。

在本发明的其他实施例中，控制时间窗口，预测时间窗和胰岛素量的加权系数还可以选取为其他值，在此不做具体限定。

如前所述，由于高/低血糖的分布(原始物理空间)具有显著的不对称性，临床实践中血糖偏离正常范围相同的程度对应的高血糖风险和低血糖风险会明显不同，针对葡萄糖浓度临床风险的不对称特点，将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险，使MPC算法更加精准，灵活。经风险转换之后的rMPC算法的价值函数如下：

其中，

r_t+j表示第j步后血糖风险值；

I′_t+j表示第j步后胰岛素输注量的变化。

将血糖值的偏差转为相应的血糖风险，具体的转换方式和前述rPID算法中的方式一致，如分段加权处理和相对值处理；还包括在风险空间中设定固定的零风险点，零风险点的血糖浓度可以设定为目标血糖值。对偏离零风险点的两侧数据进行处理，如采用BGRI和改进的CVGA方法；还包括对偏离目标血糖值两侧的数据采用不同的方法处理。

具体的，当采用分段加权处理时：

当采用相对值处理时：

当采用经典血糖风险指数方法时：

其中:

r(G_t+j)＝10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

当采用控制易变性网格分析方法时：

同时也对其最大值进行了限制：

|r_t+j|＝min(|r_t+j|,n)

其中限定最大值n的取值范围为0～80mg/dL，优选的，n的取值为60mg/d。

当血糖值小于目标血糖值G_B时采用BGRI方法，血糖值大于目标血糖值G_B时采用CVGA方法时：

r_t+j＝-r(G_t+j),ifG_t+j≤G_B

其中:

r(G_t+j)＝×10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

r_t+j＝-4.8265*10⁴-4*G_t+j ²+0.45563*G_t+j-44.855,ifG_t+j＞G_B

当在血糖值小于目标血糖值G_B时采用CVGA方法，血糖值大于目标血糖值G_B时采用BGRI方法时：

r_t+j＝r(G_t+j),ifG_t+j＞G_B

其中:

r(G_t+j)＝10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

r_t+j＝G_t+j-G_B,ifG_t+j≤G_B。

同时还可以对最大值进行限制：

|r_t+j|＝min(|r_t+j|,n)

其中限定最大值n的取值范围为0～80mg/dL，优选的，n的取值为60mg/dL。

当血糖值小于目标血糖值G_B时采用BGRI方法，血糖值大于目标血糖值G_B时采用分段加权方法时：

r_t+j＝-r(G_t+j),ifG_t+j≤G_B

其中:

r(G_t+j)＝10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

当血糖值小于目标血糖值G_B时采用BGRI方法，血糖值大于目标血糖值G_B时采用相对值转换时：

r_t+j＝-r(G_t+j),ifG_t+j≤G_B

其中:

r(G_t+j)＝10*f(G_t+j)²

转换函数f(G_t+j)如下：

f(G_t+j)＝1.509*[(ln(G_t+j))^1.084-5.381]

当对小于等于目标血糖值G_B的数据采取分段加权处理或相对值处理，对大于零风险点血糖值的数据采取BGRI方法时，处理结果等价于前述在血糖值小于等于目标血糖值G_B时采用CVGA方法，血糖值大于目标血糖值G_B时采用BGRI方法，其计算公式不再赘述。

需要说明的是，在上述各种转化公式中：

r_t+j为第j步时的血糖风险值；

G_t+j为第j步时检测的血糖值。

目标血糖值G_B为80～140mg/dL，优选的，目标血糖值G_B为110～120mg/dL。

经风险转换后的有益效果及血糖和血糖风险的关系对比均与rPID算法中一致，在此不再重复。

同样的，为了补偿胰岛素吸延迟，也可以采用胰岛素反馈补偿机制进行补偿；为了弥补胰岛素起效延迟，也可以采用IOB补偿；组织液葡萄糖浓度和血液葡萄糖浓度的感测延迟，也可以采用自回归补偿，具体的补偿方式也与rPID算法中一致，具体的：

对于胰岛素吸延迟，补偿公式如下：

其中：

I_t+j表示第j步时发送给胰岛素输注系统的输注指示；

rI_c(t+j)表示经风险转换后第j步时发送给胰岛素输注系统的输注指示；

γ表示估计的血浆胰岛素浓度对算法输出的补偿系数，系数变大会导致算法相对保守，系数变小则相对激进，因此，在本发明实施例中，γ的范围为0.4-0.6，优选的，γ为0.5。

表示第j步时血浆胰岛素浓度的估计。

对于胰岛素起效延迟，补偿公式如下：

rI′_t+j＝rI_t+j-IOB(t+j)

其中：

rI′_t+j表示经风险转换后第j步时扣除IOB后发送给胰岛素输注系统的输注指示；

rI_t+j表示经风险转换后第j步时发送给胰岛素输注系统的输注指示；

IOB(t+j)表示在t+j时刻在体内尚未起作用的胰岛素量。

同样的，也可以对IOB(t+j)进行进餐和非进餐区分，此时：

IOB(t+j)＝IOB_m,t+j+IOB_o,t+j

其中：

其中：

IOB_m,t+j表示t+j时刻在体内尚未起作用的进餐胰岛素量；

IOB_o,t+j表示t+j时刻在体内尚未起作用的非进餐胰岛素量；

D_i(i＝2-8)表示分别对应于胰岛素作用时间为i的IOB曲线的相应系数；

I_m,t+j表示t+j时刻进餐胰岛素量；

I_0,t+j表示t+j时刻非进餐胰岛素量；

IOB(t+j)表示t+j时刻在体内尚未起作用的胰岛素量。

当rI′_t+j>0时，最终输注的胰岛素量为rI′_t+j；

当rI′_t+j<0时，最终输注的胰岛素量为0。

对于组织液葡萄糖浓度和血液葡萄糖浓度的感测延迟，也可以采用自回归补偿，公式如下：

其中，

G_SC(t+j)表示t+j时刻组织间液葡萄糖浓度，即感测系统的测量值；

表示t+j-1时刻血液葡萄糖的估计浓度；

G_SC(t+j-1)和G_SC(t+j-2)分别表示t+j-1时刻和t+j-2时刻组织间液葡萄糖浓度；

K₀表示t+j-1时刻血液葡萄糖的估计浓度部分的系数；

K₁和K₂分别表示t+j-1时刻和t+j-2时刻组织间液葡萄糖浓度的系数。

其中，初始时刻，

各种补偿方式产生的有益效果与rPID算法中一致，在此不再重复。

需要说明的是，在rMPC算法中，优选的是对胰岛素起效延迟和组织液葡萄糖浓度和血液葡萄糖浓度的感测延迟进行补偿。

在本发明另一实施例中，程序模块101中预设有复合人工胰腺算法，复合人工胰腺算法包括第一算法和第二算法，当检测模块100检测到当前血糖值，并将当前血糖值发送至程序模块101后，第一算法计算第一胰岛素输注量I₁，第二算法计算第二胰岛素输注量I₂，复合人工胰腺算法对第一胰岛素输注量I₁和第二胰岛素输注量I₂进行优化计算，得到最终胰岛素输注量I₃，并将最终胰岛素输注量I₃发送给输注模块102，输注模块102根据最终输注量I₃进行胰岛素输注。

第一算法和第二算法为经典PID算法、经典MPC算法、rMPC算法或rPID算法中的一种。rMPC算法或rPID算法为将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险的算法。其中rMPC算法和rPID算法中血糖风险的转换方式如前所述。

当I₁＝I₂时，I₃＝I₁＝I₂；

当I₁≠I₂时，可以将I₁和I₂的算术平均值分别代入第一算法和第二算法中重新优化算法参数，在参数优化之后再一次通过第一算法和第二算法分别计算当前时刻所需的胰岛素输注量，如果I₁和I₂仍然不相同，则再次取I₁和I₂的算数平均值重复上述过程直至I₁和I₂相同，即：

①求解第一胰岛素输注量I₁和第二胰岛素输注量I₂的平均值

②将平均值

分别带入到第一算法和第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的第一算法和第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，所述最终胰岛素输注量I₃＝I₁＝I₂。

此时，当第一算法或第二算法为PID或rPID算法时，算法参数为K_P，且K_D＝T_D/K_P，T_D可以取60min-90min，K_I＝T_I*K_P，T_I可以取150min-450min。当第一算法或第二算法为MPC或rPMC算法时，算法参数为K。

当I₁≠I₂时，还可以对I₁和I₂进行加权处理，将加权处理后的计算值分别代入第一算法和第二算法中重新优化算法参数，在参数优化之后再一次通过第一算法和第二算法分别计算当前时刻所需的胰岛素输注量，如果I₁和I₂仍然不相同，则再次对I₁和I₂进行加权处理，调整加权系数，重复上述过程直至I₁和I₂相同，即：

①求解第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权均值

其中α和β分别为第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权系数；

②将加权均值

带入到第一算法和第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的第一算法和第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，所述最终胰岛素输注量I₃＝I₁＝I₂。

同样的，当第一算法或第二算法为PID或RPID算法时，算法参数为K_P，且K_D＝T_D/K_P，T_D可以取60min-90min，K_I＝T_I*K_P，T_I可以取150min-450min。当第一算法或第二算法为MPC或rPMC算法时，算法参数为K。

在本发明实施例中，α和β可以根据第一胰岛素输注量I₁和第二胰岛素输注量I₂的大小进行调整，当I₁≥I₂时，α≤β；当I₁≤I₂时，α≥β；优选的，α+β＝1。在本发明的其他实施例中，α和β也可以为其他的取值范围，在此不做具体限定。

当两者的计算结果相同，即I₃＝I₁＝I₂时，则可认为是当前时刻的胰岛素输注量能够使血糖值达到理想的水平。通过上述方式的处理，各算法之间互为参考，优选的，第一算法和第二算法分别为rMPC算法和rPID算法，两者互为参考，进一步提高输出结果的准确性，使结果更加可行和可靠。

在本发明的另一实施例中，程序模块101中还设置有存储用户历史的身体状态，血糖值和胰岛素输注量等信息的存储器，可基于存储器中的信息进行统计学分析，得到当前时刻的统计分析结果I₄，当I₁≠I₂时，分别比较I₁、I₂和I₄，计算最终胰岛素输注量I₃，选取I₁和I₂中更为靠近统计学分析结果I₄的一个作为最终复合人工胰腺算法的计算结果，即最终胰岛素输注量I₃，程序模块101将最终胰岛素输注量I₃发送给输注装置102进行输注；即：

通过与历史数据的比较，从另一方面确保了胰岛素输注量的可靠性。

在本发明的另一实施例中，当I₁和I₂两者不一致且差别较大时，还可以通过变换rMPC算法和/或rPID算法中的血糖风险空间转换方式和/或关于延迟效应的补偿方式来调整，使其相近，然后再通过上述算术平均值，加权处理，或与统计分析结果进行比较的方式最终确定复合人工胰腺算法的输出结果。

在本发明另一实施例中，闭环人工胰腺控制系统还包括进餐识别模块和运动识别模块。用于识别用户是否正在进行用餐或运动，常用的进餐识别，可以基于血糖变化速率，并通过特定的阈值来判断。血糖变化速率可以由前后两时刻计算，或一段时间内多时刻的线性回归获取，具体的，当采用前后两时刻的变化速率计算时，计算式为：

dG_t/dt＝(G_t-G_t-1)/△t

其中：

G_t表示当前时刻的血糖值；

G_t-1表示上一时刻的血糖值；

△t表示当前时刻和上一时刻的时间间隔。

当采用三点时刻的变化速率计算式，计算式为：

dG_t/dt＝(3G_t-4G_t-1+G_t-2)/2△t

其中：

G_t表示当前时刻的血糖值；

G_t-1表示上一时刻的血糖值；

G_t-2表示上上时刻的血糖值；

△t表示当前时刻和上一时刻的时间间隔。

在计算血糖变化速率前，还可以对原始持续葡萄糖数据先做滤波或平滑处理。阈值可以设置为1.8mg/mL-3mg/mL，也可以个性化设置。

与进餐识别类似，由于运动会导致血糖急速下降，因此，运动识别也可以基于血糖变化速率，并通过特定的阈值来判断。血糖变化速率的计算也可以如前所述，阈值可以个性化设置。为了更快的确定运动的发生，闭环人工胰腺胰岛素输注控制系统还包括运动传感器(未示出)。运动传感器用于自动检测用户的身体活动，程序模块101可接收身体活动状况信息。运动传感器能够自动且准确地感应用户的身体活动状态，并将活动状态参数发送至程序模块101，提高复合人工胰腺算法在运动情景下的输出可靠性。

运动传感器可以设置于检测模块100、程序模块101或者输注模块102中。优选的，在本发明实施例中，运动传感器设置于程序模块101中。

需要说明的是，本发明实施例并不限制运动传感器的数量、以及多个运动传感器的设置位置，只要能够满足运动传感器感知用户活动状况的条件即可。

运动传感器包括三轴加速度传感器或者陀螺仪。三轴加速度传感器或者陀螺仪能够更准确感应到身体的活动强度、活动方式或者身体姿态。优选的，在本发明实施例中，运动传感器为三轴加速度传感器和陀螺仪的结合。

需要说明的是，在计算过程中，rMPC算法和rPID算法所采用的血糖风险转换方式可以相同也可以不同，关于延迟效应的补偿方式也可以相同或不同，计算的过程中也可以根据实际情况进行调整。

在本发明的另一实施例中，程序模块101中还设置有根据用户体重调整算法增益系数的自适应单元。在一些发明实施例中，输注模块102或程序模块101可以指示用户的全天胰岛素需求量DIR。在本发明的另一实施例中，DIR可由体重BW计算，具体的，DIR正比于BW，即DIR＝e*BW，其中e为体重调整系数。

对于一型糖尿病患者，体重调整系数e可选择人群均值0.53U/kg，还可以结合其运动习惯选择个性化处理，比如专业级运动患者选择更低的体重调整系数，比如0.4U/kg；较少参与运动的患者选择更高的体重调整系数，比如0.6U/kg。对于二型糖尿病患者，可以结合其胰腺分泌功能及胰岛素抵抗情况，在较大范围内选择个性化的体重调整系数，比如0.1-1.5U/kg，较常用的范围为0.6-1.1U/kg。

在本发明的一个实施例中，程序模块101中预设的算法为经典PID算法或rPID算法，其比例部分的增益系数Kp＝DIR/(BW*m)，m为用户体重补偿系数，取值为50～500，优选的，m为135。

PID算法或rPID算法中积分部分的增益系数K_I和微分部分的增益系数K_D均可以转换为与Kp相关的系数，如K_D＝T_D/K_P，T_D可以取60min-90min，K_I＝T_I*K_P，T_I可以取150min-450min。T_D、T_I大则算法激进，反之则相对保守。白天和夜晚睡眠时可以采用不同的系数设置，比如晚上可以选择更小的时间参数。

在本发明的另一个实施例中，程序模块101中预设的算法为经典MPC算法或rMPC算法，其增益系数K与BW相关：

其中：

c为安全系数；

s为临床经验系数；

e为体重调整系数，U/Kg。

根据夜间低血糖风险，安全系数c可在1.25-3之间选取；临床经验系数s的值可以为1500，1700，1800，2000，2200，2500等，可以根据临床结果进行调整，在此不做具体限制。在本发明优选实施例中，临床经验系数s为1700。体重调整系数e的取值范围如前所述。

在前述两个实施例中，PID算法或rPID算法的增益系数Kp和MPC算法或rMPC算法的增益系数K还可以通过引入与基础胰岛素需求量相关的系数Sb(t)进行调整，相应的，K′_P＝K_P*Sb(t)，K′＝K*Sb(t)。

基础胰岛素需求量相关的系数Sb(t)为t时的基础胰岛素需求量B(t)和全天基础胰岛素量均值Ba的比值，即Sb(t)＝B(t)/Ba。其中，Ba＝y*DIR/24，y为基础胰岛素量补偿系数，取值为0.1～5，该系数的人群均值为0.47，儿童略小，比如可以取0.3-0.4。

全天基础胰岛素量均值Ba可根据用户的实际基础率设置计算。t时的基础胰岛素需求量B(t)可以根据主流的临床最优基础率设置的四种类型进行设置。图5为主流的临床最优基础率设置类型，共四种，来自于参考文献[Holterhus,P.M.,J.Bokelmann,et al.(2013)."Predicting the Optimal Basal Insulin Infusion Pattern in Children andAdolescents on Insulin Pumps."Diabetes Care36(6):1507-1511.]，其中，横轴为时间，一天24h，纵轴为对应时刻的基础胰岛素需求量与全天基础胰岛素量均值Ba的相对偏差，多数在0.5和1.5之间。

B(t)还可以参考临床常用的基础率分段设置，如采用三段设置，如下：

①当时间t为凌晨0点到4点时，B(t)＝0.5DIR/48；

②当时间t为凌晨4点到上午10点时，B(t)＝1.5DIR/48；

③当时间t为上午10点到凌晨0点时，B(t)＝DIR/48。

在其他发明实施例中，B(t)也可以根据用户已知且适宜的基础率设置进行计算。

在本发明实施例中，Sb(t)的范围为0.2-2，优选的为0.5-1.5。通过引入与不同时间段的基础胰岛素需求量相关的系数Sb(t)，使增益系数随着时间的变化而调整，满足用户在不同时段的胰岛素需求量，进一步提高闭环控制的精确性。

在本发明实施例中，将在原始物理空间不对称的血糖转换到在风险空间近似对称的血糖风险的rPID算法和rMPC算法的转换方式、各类延迟的补偿方式及有益效果，如前所述，在此不再重复。同时，还可以对各算法的计算结果进行进一步处理，计算结果的进一步处理方式，有益效果等如前所述，在此不再重复。

图6为根据本发明另一实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图。

本发明实施例中，闭环人工胰腺胰岛素输注控制系统主要包括检测模块100、输注模块102与电子模块103。

检测模块100用于连续检测用户实时血糖值。一般的，检测模块100为连续葡萄糖检测仪(Continuous Glucose Monitoring，CGM)，可以实时检测血糖值，并监控血糖变化，将当前血糖值发送至输注模块102和电子模块103。

输注模块102包含输注胰岛素所必备的机械结构，还包括输注处理器1021等能执行第一算法的元件，且受电子模块103控制。输注模块102接收由检测模块100发送的当前血糖值后通过第一算法计算当前所需的第一胰岛素输注量I₁，并将计算的第一胰岛素输注量I₁发送给电子模块103。

电子模块103用于控制检测模块100与输注模块102的工作。因此，电子模块103分别与检测模块100和输注模块102相连接。在这里，电子模块103为手机或手持机等外部电子装置，因此相连接是指无线连接。电子模块103包括第二处理器，在本发明实施例中，第二处理器为电子处理器1031等能执行第二算法和第三算法的元件，电子模块103收到由检测模块100发送的当前血糖值后通过第二算法计算当前所需的第二胰岛素输注量I₂。在这里，电子模块103和输注模块102用于计算当前所需的胰岛素量的第一算法和第二算法不相同。

电子模块103收到输注模块102发送的第一胰岛素输注量I₁后，通过第三算法进一步对第一胰岛素输注量I₁和第二胰岛素输注量I₂进行优化计算，得到最终胰岛素输注量I₃，并将最终胰岛素输注量I₃发送给输注模块102，输注模块102向用户体内输注当前所需的胰岛素I₃。同时，输注模块102的输注状态也能够实时反馈到电子模块103中。具体的优化方式如前所述。即：

当I₁＝I₂时，I₃＝I₁＝I₂；

当I₁≠I₂时，电子模块103进一步将两者的算术平均值或经加权处理后的值代入算法中重新计算当前胰岛素输注量I₁和I₂，如数据还不相同，则重复上述过程，直至I₃＝I₁＝I₂，即：

①求解所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂的平均值

②将平均值

带入到所述第一算法和所述第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的第一算法和第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，最终胰岛素输注量I₃＝I₁＝I₂。

或：

①求解所述第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权均值

其中α和β分别为所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂的加权系数；

②将加权均值

带入到所述第一算法和所述第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的所述第一算法和所述第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，所述最终胰岛素输注量I₃＝I₁＝I₂。

当两者不同时，电子模块103还可以将两者与基于用户过去各时刻的身体状态，血糖值和胰岛素输注量等历史信息进行统计学分析，得到当前时刻的统计分析结果I₄进行比较，选取I₁和I₂中更为靠近统计学分析结果I₄的一个作为最终胰岛素输注量I₃，电子模块103将最终胰岛素输注量I₃发送给输注装置102进行输注；即：

在本发明实施例中，用户的历史信息可以存储在电子模块103中，也可以储存在云管理系统(未示出)中，云管理系统与电子模块103通过无线连接。

图7为根据本发明又一实施例闭环人工胰腺胰岛素输注控制系统模块关系示意图。

本发明实施例中，闭环人工胰腺胰岛素输注控制系统主要包括检测模块100、输注模块102与电子模块103。

检测模块100用于连续检测用户实时血糖值。一般的，检测模块100为连续葡萄糖检测仪(Continuous Glucose Monitoring，CGM)，可以实时检测血糖值，并监控血糖变化，当前血糖值只发送至输注模块102。检测模块100还包括第二处理器，在本发明实施例中，第二处理器为检测处理器1001等能执行第二算法的元件，检测模块100检测到实时血糖值后，直接通过第二算法计算第二胰岛素输注量I₂，并将计算的第二胰岛素输注量I₂发送给电子模块103。

输注模块102如前所述，接收由检测模块100发送的当前血糖值后通过第一算法计算第一胰岛素输注量I₁，并将第一胰岛素输注量I₁发送给电子模块103。在这里，检测模块103和输注模块102用于计算胰岛素量的第一算法和第二算法不相同。

电子模块103收到由检测模块100和输注模块102分别发出的第一胰岛素输注量I₁和第二胰岛素输注量I₂后，通过第三算法进一步对第一胰岛素输注量I₁和第二胰岛素输注量I₂进行优化计算，得到最终胰岛素输注量I₃，并将最终胰岛素输注量I₃发送给输注模块102，输注模块102向用户体内输注当前所需的胰岛素I₃。同时，输注模块102的输注状态也能够实时反馈到电子模块103中。具体的优化方式如前所述。

在本发明的上述两个实施例中，在检测模块100检测当前血糖值后，输注处理器1021初步计算第一胰岛素输注量I₁，第二处理器(如电子处理器1031和检测处理器1001)的初步计算第二胰岛素输注量I₂，并将I₁和I₂发送给电子模块103，电子模块103进行进一步的优化，再将优化后的终胰岛素输注量I₃发送给输注模块102进行胰岛素输注，提高输注指令的准确性。

在本发明的上述两个实施例中，第一算法和第二算法为经典PID算法、经典MPC算法、rMPC算法或rPID算法中的一种，采用rPID或rMPC算法计算的优势如前所述，进一步的优化方法的有益效果也如前所述，在此均不再重复。

本发明的实施例并不限制检测模块100与输注模块102具体的位置以及连接关系，只要能够满足前述的功能条件即可。

如在本发明的一个实施例中，两者互相电连接而组成一个整体结构并粘贴在用户皮肤的同一个位置。两个模块连接成一个整体并粘贴在同一位置，用户皮肤粘贴设备的数量将减少，进而减弱因粘贴较多设备对用户活动伸展的干扰；同时，也有效解决了分离设备之间无线通信不畅的问题，进一步增强用户体验。

如在本发明的又一个实施例中，两者分别设置于不同的结构中并分别粘贴在用户皮肤的不同位置。此时，检测模块100与输注模块102之间互相发射无线信号以实现彼此连接。

图8为本发明另一实施例的闭环人工胰腺多药物输注控制系统模块关系示意图。

在本发明实施例中的闭环人工胰腺胰岛素输注控制系统如前所述，主要包括检测模块100、程序模块101与输注模块102，输注模块102具有多药物输注功能，药物可以是针对糖尿病患者的调节血糖控制的药物组合，其代谢物为葡萄糖(glucose)，主要药物为胰岛素(insulin)及其类似物等降血糖药物，其他组合药物为具有相反作用的升血糖药物，如胰高血糖素(glucagon)及其类似物、皮质醇(cortisol)及其类似物、生长素(growth hormone)及其类似物、肾上腺素(epinephrine)及其类似物、葡萄糖等，具有类似作用的糊精类似物(如pramlintide)等。

输注模块102可以根据程序模块101发出的降血糖药物输注指令和/或升血糖药物输注指令向用户体内输注降血糖药物和/或升血糖药物。降血糖药物和升血糖药物可以分别通过不同的药物管路进行输注，也可以通过同一药物管路不同时输注，具体的药物管路设计在此不做限制。

图9为根据本发明两个实施例的双药物输注切换示意图。

在本发明的一个实施例中，降血糖药物输注指令和/或当前升血糖药物输注指令是通过比较血液葡萄糖浓度估计G_P与目标血糖值G_B而得出的，血液葡萄糖浓度估计G_P可以根据rMPC的预测模型或其他适宜的血糖预测算法进行估计；降血糖药物输注数据和/或升血糖药物输注数据可以通过前述rMPC算法或rPID算法或复合人工胰腺算法进行计算。具体的：

当G_P≥G_B时，输注模块102开始根据rMPC算法或rPID算法或复合人工胰腺算法计算的降血糖药物输注数据I_t进行降血糖药物输注；

当G_P＜G_B时，输注模块102开始根据rMPC算法或rPID算法或复合人工胰腺算法计算的升血糖药物输注数据D_t进行升血糖药物输注；

需要说明的是，在本发明实施例中，I_b表示在没有干扰情况下将血糖控制在目标血糖值G_B时所需要输注的降血糖药物量，当G_P＝G_B时，I_t＝I_b，当G_P＞G_B时，随着降血糖药物的输注，G_P进一步降低，I_t也会降低。当输注模块102只有一套药物输注管路时，当G_P＜G_B时，即I_t＜I_b时，输注模块102开始进行升血糖药物输注，升血糖药物输注数据D_t可以rMPC算法或rPID算法或复合人工胰腺算法计算，同时停止降血糖药物的输注，防止降血糖药物和升血糖药物因为拮抗作用而互相影响。当输注模块102至少有两套药物输注管路时，当0≤I_t＜I_b时，在开始输注升血糖药物的同时还可以继续进行降血糖药物的输注，可以有效地防止低血糖的发生；当I_t＜0时，停止降血糖药物的输注而仅输注升血糖药物。

在本发明的另一实施例中，降血糖药物输注指令和/或当前升血糖药物输注指令可以直接通过比较降血糖药物的需求量I_t和目标降血糖药物量I_b来进行，降血糖药物的需求量I_t和目标降血糖药物量I_b可以通过前述rMPC算法或rPID算法或复合人工胰腺算法进行计算。具体的：当输注模块102至少有两套药物输注管路时：

当I_t≥I_b时，输注模块102开始根据rMPC算法或rPID算法或复合人工胰腺算法计算的降血糖药物输注数据I_t进行降血糖药物输注；

当0≤I_t＜I_b时，在开始输注升血糖药物的同时还可以继续进行降血糖药物的输注，可以有效地防止低血糖的发生，降血糖药物输注数据I_t和升血糖药物输注数据D_t均可以通过前述rMPC算法或rPID算法或复合人工胰腺算法进行计算。

当I_t＜0时，停止降血糖药物的输注而仅输注升血糖药物，升血糖药物输注数据D_t可以rMPC算法或rPID算法或复合人工胰腺算法计算。

当输注模块102只有一套药物输注管路时：

当I_t≥0时，输注模块102开始根据rMPC算法或rPID算法或复合人工胰腺算法计算的降血糖药物输注数据I_t进行降血糖药物输注；

当I_t＜0时，停止降血糖药物的输注而仅输注升血糖药物。

优选的，在本发明实施例中，降血糖药物为胰岛素，升血糖药物为胰高血糖素。

需要说明的是，在上述实施例中，各个阶段的降血糖药物输注数据和胰高血糖素输注数据的计算方式可以相同或不同，优选的，均采用相同的算法架构进行计算，保证计算时基础条件的一致性，使计算结果更准确。更优选的，均采用复合人工胰腺算法进行计算，充分利用rPID算法和rMPC算法的优势来面对复杂的情景，使血糖控制水平更理想。

图10为根据本发明另一实施例的闭环人工胰腺胰岛素输注控制系统模块关系示意图。

在本发明实施例中，本发明实施例公开的闭环人工胰腺胰岛素输注控制系统主要包括检测模块200和输注模块202。检测模块200用于连续检测用户当前血糖值。一般的，检测模块100为持续葡萄糖检测仪(Continuous Glucose Monitoring，CGM)，可以实时检测用户当前血糖值，并监控血糖变化；检测模块200中还包括检测处理单元2001，检测处理单元2001中预设有计算胰岛素输注量的算法，当检测模块200检测到用户当前血糖值时，检测处理单元2001通过预设的算法计算用户所需胰岛素量，并将用户所需胰岛素量发送给输注模块202。

输注模块202包含输注胰岛素所必备的机械结构和接收来自于检测模块200的用户胰岛素量信息的电子收发器。根据检测模块200发出的当前胰岛素输注量数据，输注模块202向用户体内输注当前所需的胰岛素。同时，输注模块102的输注状态也能够实时反馈到检测模块200中。

在本发明实施例中，检测处理单元2001中预设的计算胰岛素输注量的算法为经典PID算法、经典MPC算法、rMPC算法，rPID算法或复合人工胰腺算法中的一种，采用rPID、rMPC算法或复合人工胰腺算法计算的方法及有益效果如前所述，在此均不再重复。

本发明的实施例并不限制检测模块2100与输注模块202具体的位置以及连接关系，只要能够满足前述的功能条件即可。

如在本发明的一个实施例中，两者互相电连接而组成一个整体结构并粘贴在用户皮肤的同一个位置。两个模块连接成一个整体并粘贴在同一位置，用户皮肤粘贴设备的数量将减少，进而减弱因粘贴较多设备对用户活动伸展的干扰；同时，也有效解决了分离设备之间无线通信不畅的问题，进一步增强用户体验。

如在本发明的又一个实施例中，两者分别设置于不同的结构中并分别粘贴在用户皮肤的不同位置。此时，检测模块200与输注模块202之间互相发射无线信号以实现彼此连接。

综上所述，本发明公开了一种闭环人工胰腺胰岛素输注控制系统，系统中预设有rMPC算法，rPID算法和复合人工胰腺算法中的一种或多种，充分利用rPID算法和rMPC算法的优势来面对复杂的情景，使人工胰腺在各种情况下都能提供可靠的控制血糖的药物种类和药物输注量，从而使血糖控制到理想水平，实现闭环人工胰腺多药物输注系统的精准控制。

虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (18)

1.一种闭环人工胰腺多药物输注控制系统，其特征在于，包括：

检测模块，所述检测模块用于连续检测当前血糖值；

与所述检测模块相连接的程序模块，所述程序模块中预设有rMPC算法、rPID算法或复合人工胰腺算法中的一种或多种；和

输注模块，所述输注模块与所述程序模块相连，可以进行升血糖药物和/或降血糖药物输注，根据所述rMPC算法、rPID算法或复合人工胰腺算法计算得出的相应药物输注指示，所述程序模块控制所述输注模块输注相应药物。

2.根据权利要求1所述的闭环人工胰腺多药物输注控制系统，其特征在于，所述rMPC算法和所述rPID算法的血糖风险空间转换方法包括分段加权法，相对值转换，血糖风险指数转换和改进的控制易变性网格分析转换的一种多种。

3.根据权利要求2所述的闭环人工胰腺多药物输注控制系统，其特征在于，所述rMPC算法和rPID算法的血糖风险空间转换方法中还包括以下一种或多种处理方式：

①扣除和预测的血浆内降血糖药物或升血糖药物浓度估计成比例的分量；

②扣除在或体内尚未起作用的降血糖药物或升血糖药物量；

③采用自回归方法对组织液葡萄糖浓度和血液葡萄糖的感测延迟进行补偿。

4.根据权利要求3所述的闭环人工胰腺多药物输注控制系统，其特征在于，所述相应输出指示包括药物输注类别和药物输注量，所述药物输注类别是通过比较血液葡萄糖浓度估计G_P与目标血糖浓度G_B而得出。

5.根据权利要求4所述的闭环人工胰腺多药物输注控制系统，其特征在于，当G_P≥G_B时，所述输注模块开始输注所述降血糖药物；当G_P＜G_B时，所述输注模块开始输注所述升血糖药物。

6.根据权利要求5所述的闭环人工胰腺多药物输注控制系统，其特征在于，I_b表示达到目标血糖浓度G_B时所需要输注的目标降血糖药物量，I_t表示算法计算的降血糖药物需求量，当G_P＜G_B，0≤I_t＜I_b时，所述输注模块同时输注降血糖药物和升血糖药物。

7.根据权利要求4所述的闭环人工胰腺多药物输注控制系统，其特征在于，所述相应输出指示是通过比较降血糖药物需求量I_t和目标降血糖药物量I_b而得出。

8.根据权利要求7所述的闭环人工胰腺多药物输注控制系统，其特征在于，当I_t≥0时，所述输注模块开始输注降血糖药物；当I_t＜0时，所述输注模块开始输注升血糖药物。

9.根据权利要求7所述的闭环人工胰腺多药物输注控制系统，其特征在于，当0≤I_t＜I_b时，所述输注模块同时输注降血糖药物和升血糖药物。

10.根据权利要求1所述的闭环人工胰腺多药物输注控制系统，其特所述复合人工胰腺算法包括第一算法和第二算法，所述第一算法计算第一胰岛素输注量I₁，通过所述第二算法计算第二胰岛素输注量I₂，所述复合人工胰腺算法计算对所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂进行优化计算，得到最终胰岛素输注量I₃。

11.根据权利要求10所述的闭环人工胰腺胰岛素输注控制系统，其特征在于，所述最终胰岛素输注量I₃通过所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂的平均值进行优化：

①求解所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂的平均值

②将平均值

带入到所述第一算法和所述第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的所述第一算法和所述第二算法重新计算所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，所述最终胰岛素输注量I₃＝I₁＝I₂。

12.根据权利要求10所述的闭环人工胰腺胰岛素输注控制系统，其特征在于，所述最终胰岛素输注量I₃通过所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂的加权均值进行优化：

①求解所述第一胰岛素输注量I₁和第二胰岛素输注量I₂的加权均值

其中α和β分别为所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂的加权系数；

②将加权均值

带入到所述第一算法和所述第二算法中，调整算法参数；

③基于当前血糖值、调整参数后的所述第一算法和所述第二算法重新计算第一胰岛素输注量I₁和第二胰岛素输注量I₂；

④对①～③步进行循环计算，直至I₁＝I₂，所述最终胰岛素输注量I₃＝I₁＝I₂。

13.根据权利要求10-12任一项所述的闭环人工胰腺胰岛素输注控制系统，其特征在于，所述第一算法和所述第二算法为经典PID算法、经典MPC算法、rMPC算法或rPID算法中的一种。

14.根据权利要求10所述的闭环人工胰腺胰岛素输注控制系统，其特征在于，所述最终胰岛素输注量I₃通过所述第一胰岛素输注量I₁和所述第二胰岛素输注量I₂与历史数据的统计分析结果I₄进行比较后得到：

15.根据权利要求1所述的闭环人工胰腺多药物输注控制系统，其特征在于，所述降血糖药物和所述升血糖药物的输注量的计算算法相同或不同。

16.根据权利要求1所述的闭环人工胰腺多药物输注控制系统，其特征在于，所述检测模块、所述程序模块和所述输注模块中的其中两个模块互相连接组成一个整体结构，并与第三个模块分别粘贴在皮肤的不同位置。

17.根据权利要求1所述的闭环人工胰腺多药物输注控制系统，其特征在于，所述检测模块、所述程序模块和所述输注模块相连接组成一个整体结构，并粘贴在皮肤的同一位置。

18.根据权利要求1所述的闭环人工胰腺多药物输注控制系统，其特征在于，所述降血糖药物为胰岛素，所述升血糖药物为胰高血糖素。

Images