CN116020012A - 闭环人工胰腺胰岛素输注控制系统 - Google Patents

闭环人工胰腺胰岛素输注控制系统 Download PDF

Info

Publication number
CN116020012A
CN116020012A CN202111301420.XA CN202111301420A CN116020012A CN 116020012 A CN116020012 A CN 116020012A CN 202111301420 A CN202111301420 A CN 202111301420A CN 116020012 A CN116020012 A CN 116020012A
Authority
CN
China
Prior art keywords
algorithm
insulin infusion
blood glucose
insulin
infusion
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
CN202111301420.XA
Other languages
English (en)
Inventor
杨翠军
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.)
Medtrum Technologies Inc
Original Assignee
Medtrum Technologies Inc
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 Medtrum Technologies Inc filed Critical Medtrum Technologies Inc
Publication of CN116020012A publication Critical patent/CN116020012A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • A61M5/145—Pressure infusion, e.g. using pumps using pressurised reservoirs, e.g. pressurised by means of pistons
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • 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
    • A61M2005/14208—Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
    • 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
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • 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
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Hematology (AREA)
  • Anesthesiology (AREA)
  • Vascular Medicine (AREA)
  • Optics & Photonics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Emergency Medicine (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • External Artificial Organs (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)

Abstract

本发明公开了一种闭环人工胰腺胰岛素输注控制系统，包括：检测模块，检测模块用于连续检测当前血糖值G；与检测模块相连接的程序模块，程序模块中预设混合人工胰腺算法，用于计算用户所需的胰岛素输注量，混合人工胰腺算法包括cPID算法和/或cMPC算法，cPID算法的输入为MPC算法的中间值，cMPC算法的输入为PID算法的输出值；和输注模块，输注模块与程序模块相连，程序模块将胰岛素输注量发送给输注模块，输注模块根据胰岛素输注量进行胰岛素输注。通过PID算法和MPC算法的深度结合，充分利用PID算法和MPC算法的优势，使输注结果更准确和可靠，实现闭环人工胰腺胰岛素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
相关申请的交叉引用
本申请要求以下专利申请的权益并要求其优先权：2021年10月25日提交的PCT专利申请，申请号为PCT/CN2021/126005。
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，并将血糖值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，为了实现闭环或半闭环控制的胰岛素输注，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，不适用于比较复杂的情景，而MPC算法面临准确模型很难建立及运算量大的困境，导致可能出现预测的输注偏差。
因此，现有技术亟需一种含有混合人工胰腺算法的闭环人工胰腺胰岛素输注控制系统。
发明内容
本发明实施例公开了一种闭环人工胰腺胰岛素输注控制系统，预设有混合人工胰腺算法，混合人工胰腺算法包括cPID算法和/或cMPC算法，cPID算法的输入为MPC算法的中间值，cMPC算法的输入为PID算法的输出值，通过PID算法和MPC算法的深度结合，充分利用PID算法和MPC算法的优势，使输注结果更准确和可靠，实现闭环人工胰腺胰岛素输注系统的精准控制。
本发明公开了一种闭环人工胰腺胰岛素输注控制系统，包括：检测模块，检测模块用于连续检测当前血糖值G；与检测模块相连接的程序模块，程序模块中预设混合人工胰腺算法，用于计算用户所需的胰岛素输注量，混合人工胰腺算法包括cPID算法和/或cMPC算法，cPID算法的输入为MPC算法的中间值，cMPC算法的输入为PID算法的输出值；和输注模块，输注模块与程序模块相连，程序模块将胰岛素输注量发送给输注模块，输注模块根据胰岛素输注量进行胰岛素输注。
根据本发明的一个方面，cPID算法是根据通过MPC算法的预测模型预测的当前时刻的血糖值进行计算的，计算式为：
Figure BDA0003338526410000021
其中：
KP是比例部分的增益系数；
KI是积分部分的增益系数；
KD是微分部分的增益系数；
GMPC(t)表示通过MPC预测模型预测的当前时刻的血糖值；
GB表示目标血糖值；
C表示常数；
cPID(t)表示发送给胰岛素输注系统的输注指示。
根据本发明的一个方面，cPID算法是根据通过MPC算法的预测模型预测的当前时刻的血糖值进行风险转化后再计算的，计算式为：
Figure BDA0003338526410000022
其中：
KP是比例部分的增益系数；
KI是积分部分的增益系数；
KD是微分部分的增益系数；
rMPc(t)表示基于MPC预测模型预测的当前时刻的血糖值进行风险转换后的血糖风险；
GB表示目标血糖值；
C表示常数；
rcPID(t)表示发送给胰岛素输注系统的输注指示。
根据本发明的一个方面，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，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扣除和预测的血浆胰岛素浓度估计成比例的分量；
②扣除在体内尚未起其作用的胰岛素量；
③采用自回归方法对血液葡萄糖和组织间液葡萄糖浓度感测延迟进行补偿。
根据本发明的一个方面，cMPC算法的预测模型中的当前时刻的胰岛素输注量是通过rPID算法计算的，预测模型为：
xt+1＝Axt与BIPID(t)
Gt＝Cxt
其中：
xt+1表示下一时刻的状态参数，
Figure BDA0003338526410000031
xt表示当前时刻的状态参数，
Figure BDA0003338526410000032
IPID(t)表示通过PID算法计算的当前时刻的胰岛素输注量；
Gt表示当前时刻的血糖浓度。
参数矩阵如下：
Figure BDA0003338526410000033
Figure BDA0003338526410000034
C＝[1 0 0]
b1，b2，b3，K为先验值。
根据本发明的一个方面，cMPC算法的预测模型中的当前时刻的胰岛素输注量是通过rPID算法计算的，预测模型为：
xt+1＝Axt+BIrPID(t)
Gt＝Cxt
其中：
xt+1表示下一时刻的状态参数，
Figure BDA0003338526410000035
xt表示当前时刻的状态参数，
Figure BDA0003338526410000036
IrPID(t)表示通过rPID算法计算的当前时刻的胰岛素输注量；
Gt表示当前时刻的血糖浓度。
参数矩阵如下：
Figure BDA0003338526410000041
Figure BDA0003338526410000042
C＝[1 0 0]
b1,b2,b3,K为先验值。
根据本发明的一个方面，rPID算法在PID算法的基础上，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。
根据本发明的一个方面，cMPC算法的价值函数中的血糖值进行风险转换，进行血糖险转换后的价值函数为：
Figure BDA0003338526410000043
其中，
rt+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；
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。
根据本发明的一个方面，血糖风险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，血糖风险转换方法中还包括以下一种或多种处理方式：
①扣除和预测的血浆胰岛素浓度估计成比例的分量；
②扣除在体内尚未起其作用的胰岛素量；
③采用自回归方法对血液葡萄糖和组织间液葡萄糖浓度感测延迟进行补偿。
根据本发明的一个方面，混合人工胰腺算法包括cPID算法和cMPC算法，cPID算法计算第一胰岛素输注量I1，cMPC算法计算第二胰岛素输注量I2，混合人工胰腺算法计算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
Figure BDA0003338526410000044
②将平均值
Figure BDA0003338526410000045
带入到cPID算法和cMPC算法中，调整算法参数；
③基于当前血糖值、调整参数后的第cPID算法和cMPC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的加权值
Figure BDA0003338526410000051
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将加权值
Figure BDA0003338526410000052
带入到cPID算法和cMPC算法中，调整算法参数；
③基于当前血糖值、调整参数后的cPID算法和cMPC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与历史数据的统计分析结果I4进行比较后得到：
Figure BDA0003338526410000053
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。
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胰岛素输注控制系统中，预设混合人工胰腺算法，混合人工胰腺算法包括cPID算法和/或cMPC算法，cPID算法的输入为MPC算法的中间值，cMPC算法的输入为PID算法的输出值，通过PID算法和MPC算法的深度结合，充分利用PID算法和MPC算法的优势，使输注结果更准确和可靠，实现闭环人工胰腺胰岛素输注系统的精准控制。
进一步的，混合人工胰腺算法中的cPID算法进一步的将通过MPC算法的预测模型预测的当前时刻的血糖值进行血糖风险转换，使混合人工胰腺算法更稳健。
进一步的，混合人工胰腺算法中的cMPC算法当前时刻的胰岛素输注量通过PID算法或rPID计算的预测模型和输入进行风险转换或不进行风险转换的价值函数的组合，灵活利用PID算法，MPC算法和血糖风险转换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胰岛素输注量，从而使血糖到达预计时刻的理想水平，实现闭环人工胰腺胰岛素输注系统的精准控制。
进一步的，混合人工胰腺算法对胰岛素吸收延迟，胰岛素起效延迟，血液葡萄糖和组织间液葡萄糖浓度感测延迟进行了补偿，使通过混合人工胰腺算法计算出的输出更为可靠。
进一步的，混合人工胰腺算法的最终输出是通过cMPC算法和cPID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cMPC算法和cPID计算后得到的不同结果进行平均或加权优化后得到的相同结果，两套算法互为补偿，进一步提高输出结果的准确性。
进一步的，混合人工胰腺算法的最终输出是通过cMPC算法和cPID算法计算结果的优化处理得到的，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。
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。
具体实施方式
如前所述，现有技术的人工胰腺中由于PID算法结构简单，不适用于比较复杂的情景，而MPC算法面临准确模型很难建立及运算量大的困境，导致可能出现预测的输注偏差。
为了解决该问题，本发明提供了一种闭环人工胰腺胰岛素输注控制系统，预设有混合人工胰腺算法，混合人工胰腺算法包括cPID算法和/或cMPC算法，cPID算法的输入为MPC算法的中间值，cMPC算法的输入为PID算法的输出值，通过PID算法和MPC算法的深度结合，充分利用PID算法和MPC算法的优势，使输注结果更准确和可靠，实现闭环人工胰腺胰岛素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：
Figure BDA0003338526410000081
其中：
KP是比例部分的增益系数；
KI是积分部分的增益系数；
KD是微分部分的增益系数；
G表示当前血糖值；
GB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：
Figure BDA0003338526410000091
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-GB进行处理，如对Ge＝G-GB做出分段加权处理，如下：
Figure BDA0003338526410000092
在本发明的另一实施例中，对于大于目标血糖GB的偏离量采用相对值来转换，如下：
Figure BDA0003338526410000093
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GB。其风险空间转换公式如下：
Figure BDA0003338526410000101
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GB。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：
Figure BDA0003338526410000102
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GB，当血糖值小于目标血糖值GB时采用BGRI方法，血糖值大于目标血糖值GB时采用CVGA方法，此时：
r＝-r(G)，if G≤GB
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，if G＞GB。
同样的，也可以在血糖值小于目标血糖值GB时采用CVGA方法，血糖值大于目标血糖值GB时采用BGRI方法，此时：
r＝r(G)，if G＞GB，
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-GB，if G≤GB。
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GB，对于小于或等于目标血糖值GB的数据采用BGRI方法，而对于大于目标血糖值GB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)，if G≤GB
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]
Figure BDA0003338526410000121
当采用相对值处理时：
r＝-r(G)，if G≤GB，
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-GB)/G，if G＞GB
当零风险点对应的血糖值均为目标血糖值GB时，对于小于等于目标血糖值GB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GB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GB时采用CVGA方法，血糖值大于目标血糖值GB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GB为80～140mg/dL，优选的，目标血糖值GB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，实现闭环人工胰腺胰岛素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
Figure BDA0003338526410000122
(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：
Figure BDA0003338526410000131
其中：
PID(t)表示发送给胰岛素输注系统的输注指示；
PIDc(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。
Figure BDA0003338526410000132
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：
Figure BDA0003338526410000133
其中：
Figure BDA0003338526410000134
表示当前时刻的血浆胰岛素浓度的估计；
PIDc(n-1)表示上一时刻带补偿的输出；
Figure BDA0003338526410000135
表示上一时刻的血浆胰岛素浓度的估计；
Figure BDA0003338526410000136
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
Figure BDA0003338526410000137
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：
Figure BDA0003338526410000138
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 on board)，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，IOBm、IOBo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)＝IOBm，t+IOBo，t
其中：
Figure BDA0003338526410000141
其中：
IOBm，t表示t时刻在体内尚未起作用的进餐胰岛素量；
IOBo，t表示t时刻在体内尚未起作用的非进餐胰岛素量；
Di(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；
Im，t表示进餐胰岛素量；
I0，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：
Figure BDA0003338526410000151
其中，
GSC(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；
Figure BDA0003338526410000152
表示上一时刻血液葡萄糖的估计浓度；
GSC(n-1)和GSC(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，
Figure BDA0003338526410000153
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：
xt+1＝Axt+BIt
Gt＝Cxt
其中：
xt+1表示下一时刻的状态参数，
Figure BDA0003338526410000154
xt表示当前时刻的状态参数，
Figure BDA0003338526410000155
It表示当前时刻的胰岛素输注量；
Gt表示当前时刻的血糖浓度。
参数矩阵如下：
Figure BDA0003338526410000161
Figure BDA0003338526410000162
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。
Figure BDA0003338526410000163
其中：
I′t+j表示第j步后胰岛素输注量的变化；
Figure BDA0003338526410000164
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It+I′t+j。
在本发明实施例中，控制时间窗口Tc＝30min，预测时间窗口Tp＝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jn，jn的取值范围为0～30min，优选为2min。步数N＝Tc/jn，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：
Figure BDA0003338526410000171
其中，
rt+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：
Figure BDA0003338526410000172
当采用相对值处理时：
Figure BDA0003338526410000173
当采用经典血糖风险指数方法时：
Figure BDA0003338526410000174
其中：
r(Gt+j)＝10*f(Gt+j)2
转换函数f(Gt+j)如下：
f(Gt+j)＝1.509*[(ln(Gt+j))1.084-5.381]
当采用控制易变性网格分析方法时：
Figure BDA0003338526410000175
同时也对其最大值进行了限制：
|rt+j|＝min(|rt+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GB时采用BGRI方法，血糖值大于目标血糖值GB时采用CVGA方法时：
rt+j＝-r(Gt+j)，if Gt+j≤GB
其中：
r(Gt+j)＝10*f(Gt+j)2
转换函数f(Gt+j)如下：
f(Gt+j)＝1.509*[(ln(Gt+j))1.084-5.381]
rt+j＝-4.8265*104-4*Gt+j 2+0.45563*Gt+j-44.855，if Gt+j＞GB
当在血糖值小于目标血糖值GB时采用CVGA方法，血糖值大于目标血糖值GB时采用BGRI方法时：
rt+j＝r(Gt+j)，if Gt+j＞GB
其中：
r(Gt+j)＝10*f(Gt+j)2
转换函数f(Gt+j)如下：
f(Gt+j)＝1.509*[(ln(Gt+j))1.084-5.381]
rt+j＝Gt+j-GB，ifGt+j≤GB。
同时还可以对最大值进行限制：
|rt+j|＝min(|rt+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GB时采用BGRI方法，血糖值大于目标血糖值GB时采用分段加权方法时：
rt+j＝-r(Gt+j)，if Gt+j≤GB
其中：
r(Gt+j)＝10*f(Gt+j)2
转换函数f(Gt+j)如下：
f(Gt+j)＝1.509*[(ln(Gt+j))1.084-5.381]
Figure BDA0003338526410000181
当血糖值小于目标血糖值GB时采用BGRI方法，血糖值大于目标血糖值GB时采用相对值转换时：
rt+j＝-r(Gt+j)，if Gt+j≤GB
其中：
r(Gt+j)＝10*f(Gt+j)2
转换函数f(Gt+j)如下：
f(Gt+j)＝1.509*[(ln(Gt+j))1.084-5.381]
Figure BDA0003338526410000191
当对小于等于目标血糖值GB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GB时采用CVGA方法，血糖值大于目标血糖值GB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：
rt+j为第j步时的血糖风险值；
Gt+j为第j步时检测的血糖值。
目标血糖值GB为80～140mg/dL，优选的，目标血糖值GB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：
Figure BDA0003338526410000192
其中：
It+j表示第j步时发送给胰岛素输注系统的输注指示；
rIc(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。
Figure BDA0003338526410000193
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＝rIt+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；
rIt+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)＝IOBm，t+j+IOBo，t+j
其中：
Figure BDA0003338526410000201
其中：
IOBm，t+j表示t+j时刻在体内尚未起作用的进餐胰岛素量；
IoBo，t+j表示t+j时刻在体内尚未起作用的非进餐胰岛素量；
Di(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；
Im，t+j表示t+j时刻进餐胰岛素量；
I0，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：
Figure BDA0003338526410000202
其中，
GSC(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；
Figure BDA0003338526410000203
表示t+j-1时刻血液葡萄糖的估计浓度；
GSC(t+j-1)和GSC(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，
Figure BDA0003338526410000211
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
Figure BDA0003338526410000212
②将平均值
Figure BDA0003338526410000213
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KP，且KD＝TD/KP，TD可以取60min-90min，KI＝TI*KP，TI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的加权值
Figure BDA0003338526410000221
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将加权值
Figure BDA0003338526410000222
带入到所述rMPC算法和rPID算法中，调整算法参数；
③基于当前血糖值、调整参数后的rMPC算法和rPID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KP，且KD＝TD/KP，TD可以取60min-90min，KI＝TI*KP，TI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，rMPC算法和rPID算法互为参考，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发送给输注模块102进行输注；即：
Figure BDA0003338526410000223
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：
dGt/dt＝(Gt-Gt-1)/Δt
其中：
Gt表示当前时刻的血糖值；
Gt-1表示上一时刻的血糖值；
Δt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：
dGt/dt＝(3Gt-4Gt-1+Gt-2)/2Δt
其中：
Gt表示当前时刻的血糖值；
Gt-1表示上一时刻的血糖值；
Gt-2表示上上时刻的血糖值；
Δt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中预设有混合人工胰腺算法，混合人工胰腺算法包括cPID算法和/或cMPC算法，其中，cPID算法的输入为MPC算法的中间值，cMPC算法的输入为PID算法的输出值。
具体的：cPID算法是根据通过MPC预测模型预测的当前时刻的血糖值进行计算的，即：
Figure BDA0003338526410000241
其中：
KP是比例部分的增益系数；
KI是积分部分的增益系数；
KD是微分部分的增益系数；
GMPC(t)表示通过MPC预测模型预测的当前时刻的血糖值；
GB表示目标血糖值；
C表示常数；
cPID(t)表示发送给胰岛素输注系统的输注指示。
同样的，也可以对cPID算法进行如前所述的风险转换方式进行转换，进一步提高混合人工胰腺算法的稳健性。即：
Figure BDA0003338526410000242
其中：
KP是比例部分的增益系数；
KI是积分部分的增益系数；
KD是微分部分的增益系数；
rMPC(t)表示基于MPC预测模型预测的当前时刻的血糖值进行风险转换后的血糖风险；
GB表示目标血糖值；
C表示常数；
rcPID(t)表示发送给胰岛素输注系统的输注指示。
cMPC算法的预测模型中的当前时刻的胰岛素输注量是通过PID算法计算的，即cMPC算法的预测模型为：
xt+1＝Axt+BIPID(t)
Gt＝Cxt
其中：
xt+1表示下一时刻的状态参数，
Figure BDA0003338526410000251
xt表示当前时刻的状态参数，
Figure BDA0003338526410000252
IPID(t)表示通过PID算法计算的当前时刻的胰岛素输注量；
Gt表示当前时刻的血糖浓度。
参数矩阵如下：
Figure BDA0003338526410000253
Figure BDA0003338526410000254
C＝[1 0 0]
b1，b2，b3，K为先验值。
同样的，cMPC算法的预测模型中的当前时刻的胰岛素输注量还可以通过rPID算法计算的，具体的血糖风险转换方式如前所述。即cMPC模型为：
xt+1＝Axt+BIrPID(t)
Gt＝Cxt
其中：
xt+1表示下一时刻的状态参数，
Figure BDA0003338526410000255
xt表示当前时刻的状态参数，
Figure BDA0003338526410000256
IrPID(t)表示通过rPID算法计算的当前时刻的胰岛素输注量；
Gt表示当前时刻的血糖浓度。
参数矩阵如下：
Figure BDA0003338526410000257
Figure BDA0003338526410000258
C＝[1 0 0]
b1，b2，b3，K为先验值。
cMPC算法的价值函数可以由输出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。
Figure BDA0003338526410000261
其中：
I′t+j表示第j步后胰岛素输注量的变化；
Figure BDA0003338526410000262
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It+I′t+j。
同样的，cMPC算法的价值函数中输出G(血糖值)也可以进行风险转换，经转换后的价值函数如前所述为：
Figure BDA0003338526410000263
其中，
rt+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；
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。
在本发明实施例中，cMPC算法为当前时刻的胰岛素输注量通过PID算法或rPID计算的预测模型和输入进行风险转换或不进行风险转换的价值函数的组合，灵活利用PID算法，MPC算法和血糖风险转换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胰岛素输注量，从而使血糖到达预计时刻的理想水平，实现闭环人工胰腺胰岛素输注系统的精准控制。
在上述各阶段的PID算法和MPC算法中，进行风险转换的方式如前所述，在此不再重复，转换方式可以相同也可以不同，同样的，也还可以对三大延迟效应按照前述方式进行补偿。
在本发明一个实施例中，混合人工胰腺算法仅包括cPID算法或cMPC算法。
在本发明的另一实施例中，混合人工胰腺算法包括cPID算法和cMPC算法，其中一个算法用于计算用户所需胰岛素，另一算法备用。
在本发明的另一实施例中，混合人工胰腺算法包括cPID算法和cMPC算法，cPID算法用于计算第一胰岛素输注量I1，cMPC算法用于计算第二胰岛素输注量I2，混合人工胰腺算法再对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，具体的优化方式如前所述，即：
当I1＝I2时，I3＝I1＝I2；
当I1≠I2时，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
Figure BDA0003338526410000271
②将平均值
Figure BDA0003338526410000272
带入到cPID算法和cMPC算法中，调整算法参数；
③基于当前血糖值、调整参数后的cPID算法和cMPC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的加权值
Figure BDA0003338526410000273
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将加权值
Figure BDA0003338526410000274
带入到cPID算法和cMPC算法中，调整算法参数；
③基于当前血糖值、调整参数后的cPID算法和cMPC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，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，即：
Figure BDA0003338526410000275
上述对第一胰岛素输注量I1和第二胰岛素输注量I2进行优化处理的有益效果如前所述，在此不再重复。
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，预设有复合人工胰腺算法，包括cPID算法和cMPC算法，cPID算法的输入为MPC算法的中间值，cMPC算法的输入为PID算法的输出值，通过PID算法和MPC算法的深度结合，充分利用PID算法和MPC算法的优势，实现闭环人工胰腺胰岛素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 (17)

1.一种闭环人工胰腺胰岛素输注控制系统，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G；
与所述检测模块相连接的程序模块，所述程序模块中预设混合人工胰腺算法，用于计算用户所需的胰岛素输注量，所述混合人工胰腺算法包括cPID算法和/或cMPC算法，所述cPID算法的输入为MPC算法的中间值，所述cMPC算法的输入为PID算法的输出值；和
输注模块，所述输注模块与所述程序模块相连，所述程序模块将所述胰岛素输注量发送给所述输注模块，所述输注模块根据所述胰岛素输注量进行胰岛素输注。
2.根据权利要求1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cPID算法是根据通过所述MPC预测模型预测的当前时刻的血糖值进行计算的，计算式为：
Figure FDA0003338526400000011
其中：
KP是比例部分的增益系数；
KI是积分部分的增益系数；
KD是微分部分的增益系数；
GMPc(t)表示通过MPC预测模型预测的当前时刻的血糖值；
GB表示目标血糖值；
C表示常数；
cPID(t)表示发送给胰岛素输注系统的输注指示。
3.根据权利要求2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cPID算法是根据通过所述MPC算法的预测模型预测的当前时刻的血糖值进行风险转化后再计算的，计算式为：
Figure FDA0003338526400000012
其中：
KP是比例部分的增益系数；
KI是积分部分的增益系数；
KD是微分部分的增益系数；
rMPC(t)表示基于MPC预测模型预测的当前时刻的血糖值进行风险转换后的血糖风险；
GB表示目标血糖值；
C表示常数；
rcPID(t)表示发送给胰岛素输注系统的输注指示。
4.根据权利要求3所述的闭环人工胰腺胰岛素输注控制系统，其特征在于，所述血糖风险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。
5.根据权利要求4所述的闭环人工胰腺胰岛素输注控制系统，其特征在于，所述血糖风险转换方法中还包括以下一种或多种处理方式：
①扣除和预测的血浆胰岛素浓度估计成比例的分量；
②扣除在体内尚未起其作用的胰岛素量；
③采用自回归方法对血液葡萄糖和组织间液葡萄糖浓度感测延迟进行补偿。
6.根据权利要求1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cMPC算法的预测模型中的当前时刻的胰岛素输注量是通过所述PID算法计算的，所述预测模型为：
xt+1＝Axt与BIPID(t)
Gt＝Cxt
其中：
xt+1表示下一时刻的状态参数，
Figure FDA0003338526400000021
xt表示当前时刻的状态参数，
Figure FDA0003338526400000022
IPID(t)表示通过PID算法计算的当前时刻的胰岛素输注量；
Gt表示当前时刻的血糖浓度。
参数矩阵如下：
Figure FDA0003338526400000023
Figure FDA0003338526400000024
C＝[1 0 0]
b1，b2，b3，K为先验值。
7.根据权利要求1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cMPC算法的预测模型中的当前时刻的胰岛素输注量是通过rPID算法计算的，所述预测模型为：
xt+1＝Axt+BIrPID(t)
Gt＝Cxt
其中：
xt+1表示下一时刻的状态参数，
Figure FDA0003338526400000031
xt表示当前时刻的状态参数，
Figure FDA0003338526400000032
IrPID(t)表示通过rPID算法计算的当前时刻的胰岛素输注量；
Gt表示当前时刻的血糖浓度。
参数矩阵如下：
Figure FDA0003338526400000033
Figure FDA0003338526400000034
C＝[1 0 0]
b1，b2，b3，K为先验值。
8.根据权利要求7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rPID算法在PID算法的基础上，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。
9.根据权利要求6或7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cMPC算法的价值函数中的血糖值进行风险转换，进行血糖险转换后的价值函数为：
Figure FDA0003338526400000035
其中，
rt+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；
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。
10.根据权利要求9所述的闭环人工胰腺胰岛素输注控制系统，其特征在于，所述血糖风险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。
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，所述血糖风险转换方法中还包括以下一种或多种处理方式：
①扣除和预测的血浆胰岛素浓度估计成比例的分量；
②扣除在体内尚未起其作用的胰岛素量；
③采用自回归方法对血液葡萄糖和组织间液葡萄糖浓度感测延迟进行补偿。
12.根据权利要求1所述的闭环人工胰腺胰岛素输注控制系统，其特征在于，所述混合人工胰腺算法包括cPID算法和cMPC算法，所述cPID算法计算第一胰岛素输注量I1，通过所述cMPC算法计算第二胰岛素输注量I2，所述混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。
13.根据权利要求12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
Figure FDA0003338526400000041
Figure FDA0003338526400000042
②将平均值
Figure FDA0003338526400000043
带入到所述cPID算法和所述cMPC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cPID算法和所述cMPC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。
14.根据权利要求12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的加权值
Figure FDA0003338526400000044
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将加权值
Figure FDA0003338526400000045
带入到所述cPID算法和所述cMPC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cPID算法和所述cMPC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。
15.根据权利要12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：
Figure FDA0003338526400000051
16.根据权利要求1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胰岛素输注控制系统，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。
CN202111301420.XA 2021-10-25 2021-11-04 闭环人工胰腺胰岛素输注控制系统 Pending CN116020012A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/CN2021/126005 WO2023070245A1 (en) 2021-10-25 2021-10-25 Closed-loop artificial pancreas insulin infusion control system
CNPCT/CN2021/126005 2021-10-25

Publications (1)

Publication Number Publication Date
CN116020012A true CN116020012A (zh) 2023-04-28

Family

ID=86069478

Family Applications (5)

Application Number Title Priority Date Filing Date
CN202111300134.1A Pending CN116020009A (zh) 2021-10-25 2021-11-04 闭环人工胰腺药物输注控制系统
CN202111300135.6A Pending CN116020010A (zh) 2021-10-25 2021-11-04 闭环人工胰腺药物输注控制系统
CN202111300112.5A Pending CN116020008A (zh) 2021-10-25 2021-11-04 闭环人工胰腺药物输注控制系统
CN202111300145.XA Pending CN116020011A (zh) 2021-10-25 2021-11-04 闭环人工胰腺药物输注控制系统
CN202111301420.XA Pending CN116020012A (zh) 2021-10-25 2021-11-04 闭环人工胰腺胰岛素输注控制系统

Family Applications Before (4)

Application Number Title Priority Date Filing Date
CN202111300134.1A Pending CN116020009A (zh) 2021-10-25 2021-11-04 闭环人工胰腺药物输注控制系统
CN202111300135.6A Pending CN116020010A (zh) 2021-10-25 2021-11-04 闭环人工胰腺药物输注控制系统
CN202111300112.5A Pending CN116020008A (zh) 2021-10-25 2021-11-04 闭环人工胰腺药物输注控制系统
CN202111300145.XA Pending CN116020011A (zh) 2021-10-25 2021-11-04 闭环人工胰腺药物输注控制系统

Country Status (3)

Country Link
EP (1) EP4422496A1 (zh)
CN (5) CN116020009A (zh)
WO (7) WO2023070245A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116999649A (zh) * 2023-07-21 2023-11-07 北京理工大学 一种实现血糖无偏移跟踪的人工胰腺模型预测控制器

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007001252A1 (en) * 2005-06-13 2007-01-04 Carnegie Mellon University Apparatuses, systems, and methods utilizing adaptive control
US8114023B2 (en) * 2006-07-28 2012-02-14 Legacy Emanuel Hospital & Health Center Analyte sensing and response system
US20080269723A1 (en) * 2007-04-25 2008-10-30 Medtronic Minimed, Inc. Closed loop/semi-closed loop therapy modification system
US10561785B2 (en) * 2010-06-22 2020-02-18 Medtronic Minimed, Inc. Method and/or system for closed-loop control of glucose to a treatment range
US20130046281A1 (en) * 2011-08-17 2013-02-21 Jonathan C. Javitt Closed Loop Infusion Formulation Delivery System
CN103656782B (zh) * 2012-09-21 2016-04-13 上海微创生命科技有限公司 用于监控胰岛素笔的输注的方法和装置
CN102836481B (zh) * 2012-09-29 2014-08-20 哈尔滨工业大学 一种新型胰岛素泵
WO2014109898A1 (en) * 2013-01-14 2014-07-17 The Regents Of University Of California Model-based personalization scheme of an artificial pancreas for type i diabetes applications
CN104667379B (zh) * 2015-03-06 2017-08-15 上海交通大学 动态闭环控制的胰岛素泵
CN104958077A (zh) * 2015-07-24 2015-10-07 珠海福尼亚医疗设备有限公司 一种智能控制的闭环式人工胰腺系统
US11373759B2 (en) * 2016-10-31 2022-06-28 Novo Nordisk A/S Systems and methods for estimating the risk of a future hypoglycemic event
CN108261591B (zh) * 2016-12-30 2021-10-08 上海移宇科技股份有限公司 一种人工胰腺的闭环控制算法
CN106860955A (zh) * 2017-01-21 2017-06-20 广东食品药品职业学院 基于模糊自适应比例微积分控制胰岛素泵闭环输注的方法
US11497851B2 (en) * 2017-03-31 2022-11-15 Lifescan Ip Holdings, Llc Maintaining maximum dosing limits for closed loop insulin management systems
GB201710822D0 (en) * 2017-07-05 2017-08-16 Zealand Pharma As Methods and medical uses relating to the treatment of hypoglycaemia
US11224693B2 (en) * 2018-10-10 2022-01-18 Tandem Diabetes Care, Inc. System and method for switching between medicament delivery control algorithms
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
EP3968847A4 (en) * 2019-05-14 2023-06-07 University Of Virginia Patent Foundation SYSTEM AND METHOD FOR ARTIFICIAL PANCREAS WITH PREDICTIVE MULTI-STAGE MODEL CONTROL
EP3999144A4 (en) * 2019-07-19 2023-03-29 Medtrum Technologies Inc. INTEGRATED MEDICATION INFUSION DEVICE
EP4007624A4 (en) * 2019-08-01 2023-04-05 Medtrum Technologies Inc. DRIVE DEVICE AND MEDICATION INFUSION DEVICE
CN113456071A (zh) * 2021-08-08 2021-10-01 江苏英诺麦德科技有限公司 血糖检测及激素输注集成装置、制备方法及人工胰腺

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116999649A (zh) * 2023-07-21 2023-11-07 北京理工大学 一种实现血糖无偏移跟踪的人工胰腺模型预测控制器

Also Published As

Publication number Publication date
WO2023070713A1 (en) 2023-05-04
WO2023070714A1 (en) 2023-05-04
EP4422496A1 (en) 2024-09-04
WO2023071991A1 (zh) 2023-05-04
CN116020009A (zh) 2023-04-28
WO2023070715A1 (en) 2023-05-04
CN116020008A (zh) 2023-04-28
WO2023070245A1 (en) 2023-05-04
WO2023070716A1 (en) 2023-05-04
CN116020011A (zh) 2023-04-28
WO2023070717A1 (en) 2023-05-04
CN116020010A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
KR102211352B1 (ko) 제1형 당뇨병 응용을 위한 인공 췌장의 모델-기반 개인화 방식
AU2018388898A1 (en) Closed loop control of physiological glucose
CN116139367A (zh) 一种自适应胰岛素输注方法和系统
CN116020001A (zh) 闭环人工胰腺胰岛素输注控制系统
Dansa et al. Blood glucose regulation through bihormonal non-singular terminal sliding mode controller
CN116020012A (zh) 闭环人工胰腺胰岛素输注控制系统
CN110352460A (zh) 人工胰腺
EP3507727B1 (en) Automatic closed-loop glucose control with an adaptive meal bolus calculator
Kaveh et al. Higher order sliding mode control for blood glucose regulation
Ata et al. Model based control of artificial pancreas under meal disturbances
CN116020003A (zh) 闭环人工胰腺胰岛素输注控制系统
CN116020004A (zh) 闭环人工胰腺胰岛素输注控制系统
CN116020007A (zh) 闭环人工胰腺胰岛素输注控制系统
CN116020006A (zh) 闭环人工胰腺胰岛素输注控制系统
CN116020002A (zh) 闭环人工胰腺胰岛素输注控制系统
CN116020005A (zh) 闭环人工胰腺胰岛素输注个性化控制系统
CN116020013A (zh) 全闭环人工胰腺药物输注控制系统
CN118159190A (zh) 闭环人工胰腺胰岛素输注控制系统
CN116052822A (zh) 一种模拟血糖丢失值的方法
WO2023070252A1 (en) Closed-loop artificial pancreas insulin multi-drug control system
WO2023070253A1 (en) Closed-loop artificial pancreas insulin infusion control system
Dansa et al. Bihormonal sliding mode controller applied to blood glucose regulation in patients with type 1 diabetes
CN114613509B (zh) 基于贝叶斯优化的人工胰腺长期适应的个体化学习系统
US20240082492A1 (en) Method for estimating an unannounced meal ingested
US12005233B2 (en) Automated system for monitoring a patient's blood sugar

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