CHoKI-based MPC for blood glucose regulation in Artificial Pancreas

📄 arXiv: 2401.17157v1 📥 PDF

作者: Beatrice Sonzogni, José María Manzano, Marco Polver, Fabio Previdi, Antonio Ferramosca

分类: eess.SY

发布日期: 2024-01-30

💡 一句话要点

提出基于CHoKI的MPC以解决人工胰腺血糖调节问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 人工胰腺 糖尿病管理 个性化医疗 数据驱动学习 CHoKI方法 胰岛素调节

📋 核心要点

  1. 现有的糖尿病管理方法难以适应个体差异，无法有效控制血糖水平。
  2. 论文提出了一种基于CHoKI的MPC方法，通过数据驱动学习为每位患者定制控制策略。
  3. 实验结果表明，该方法显著减少了低血糖时间，并满足了血糖范围要求。

📝 摘要（中文）

本研究提出了一种基于模型预测控制（MPC）的人工胰腺系统，能够自主管理1型糖尿病患者的基础胰岛素注射。该MPC旨在将患者的血糖水平维持在70-180 mg/dL的安全范围内，同时考虑胰岛素在体内的作用，避免过量注射。由于糖尿病的复杂性，研究采用数据驱动的学习方法，利用组件式Hölder Kinky推断（CHoKI）方法为每位患者定制控制器。通过FDA认可的UVA/Padova模拟器进行数据收集和控制器测试，最终结果显示，该控制器在减少低血糖时间和避免长期高血糖事件方面表现优异。

🔬 方法详解

问题定义：本研究旨在解决1型糖尿病患者在基础胰岛素注射管理中的血糖波动问题。现有方法往往无法适应患者个体差异，导致血糖控制不理想。

核心思路：论文的核心思路是采用基于数据驱动的模型预测控制（MPC），结合CHoKI方法，为每位患者定制个性化的控制策略，以更精准地调节胰岛素注射量。

技术框架：整体架构包括数据收集、模型训练、控制器设计和反馈调节四个主要模块。首先，通过FDA认可的UVA/Padova模拟器收集患者数据，然后利用CHoKI方法构建个性化模型，最后实现MPC控制。

关键创新：最重要的技术创新在于采用CHoKI方法替代传统的生理模型，使得控制器能够根据每位患者的具体情况进行调整，显著提高了控制精度。

关键设计：在设计过程中，关键参数包括胰岛素注射量、胰岛素在体内的作用时间（IOB）等，损失函数则考虑了低血糖和高血糖的风险，以确保控制策略的安全性和有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，基于CHoKI的MPC控制器在减少低血糖时间方面相比传统恒定基础胰岛素治疗有显著提升，且满足了血糖范围要求，避免了长期高血糖事件的发生，展现了良好的应用前景。

🎯 应用场景

该研究的潜在应用领域包括糖尿病管理、智能医疗设备和个性化医疗。通过实现更精准的血糖控制，能够显著提高患者的生活质量，减少糖尿病并发症的风险，具有重要的实际价值和社会影响。

📄 摘要（原文）

This work presents a Model Predictive Control (MPC) for the artificial pancreas, which is able to autonomously manage basal insulin injections in type 1 diabetic patients. Specifically, the MPC goal is to maintain the patients' blood glucose level inside the safe range of 70-180 mg/dL, acting on the insulin amount and respecting all the imposed constraints, taking into consideration also the Insulin On Board (IOB), to avoid excess of insulin infusion. MPC uses a model to make predictions of the system behaviour. In this work, due to the complexity of the diabetes disease that complicates the identification of a general physiological model, a data-driven learning method is employed instead. The Componentwise Hölder Kinky Inference (CHoKI) method is adopted, to have a customized controller for each patient. For the data collection phase and also to test the proposed controller, the virtual patients of the FDA-accepted UVA/Padova simulator are exploited. The proposed MPC is also tested on a modified version of the simulator, that takes into consideration also the variability of the insulin sensitivity. The final results are satisfying since the proposed controller reduces the time in hypoglycemia (which is more dangerous) if compared to the outcome obtained with the standard constant basal insulin therapy provided by the simulator, satisfying also the time in range requirements and avoiding long-term hyperglycemia events.