基于数据驱动的多步超前血糖预测器的人工胰腺模型预测控制（MPC）
系统与控制
2023-07-25 v1 人工智能
机器学习
系统与控制
摘要
我们提出了一种用于治疗 1 型糖尿病（T1D）的闭环胰岛素输注算法的设计与计算机仿真（in-silico）评估，该算法由集成于线性时变（LTV）模型预测控制（MPC）框架中的数据驱动多步超前血糖（BG）预测器构成。我们未从可用数据中辨识葡萄糖调节系统的开环模型，而是提出直接将预定义预测时域上的整个血糖预测拟合为过去输入输出数据的非线性函数和未来胰岛素控制输入的仿射函数，用于 MPC。对于非线性部分，提出使用长短期记忆（LSTM）网络；对于仿射部分，选用线性回归模型。为评估相较于基于从数据辨识的自回归含外生（ARX）输入模型的传统线性 MPC 的优劣，我们在三种仿真场景中评估了所提出的 LSTM-MPC 控制器：每日 3 餐的标称情形、使用近期发布的餐食生成器生成餐食的随机餐食扰动情形，以及胰岛素敏感性下降 25% 的情形。此外，所有场景中均未给予前馈餐食大剂量。对于更具挑战性的随机餐食生成场景，我们所提出的 LSTM-MPC 控制器与传统 ARX-MPC 的 70–180 [mg/dL] 范围内平均±标准差时间占比分别为 74.99±7.09 与 54.15±14.89，70–140 [mg/dL] 更窄范围内平均±标准差时间占比分别为 47.78±8.55 与 34.62±9.04，而严重低血糖（即 <54 [mg/dl]）平均±标准差时间占比分别为 1.00±3.18 与 9.45±11.71。我们的方法提供了对未来葡萄糖浓度的准确预测以及整体 MPC 控制器的良好闭环性能。
引用
@article{arxiv.2307.12015,
title = {Model Predictive Control (MPC) of an Artificial Pancreas with Data-Driven Learning of Multi-Step-Ahead Blood Glucose Predictors},
author = {Eleonora Maria Aiello and Mehrad Jaloli and Marzia Cescon},
journal= {arXiv preprint arXiv:2307.12015},
year = {2023}
}
备注
10 pages, 5 Figures, 2 Tables