7、1型糖尿病人工胰腺系统的自适应控制

1型糖尿病人工胰腺系统的自适应控制

1. 引言

在1型糖尿病的治疗中，人工胰腺系统的自适应控制是一个关键的研究领域。通过结合信息、膳食影响估计和生理变量等输入，能够更准确地指示身体活动（PA），并实现对血糖的有效调节。本文将详细介绍一种基于自适应学习模型预测控制（AL - MPC）的个性化多模型人工胰腺（PMM - AP）系统，包括其算法原理、实验结果以及结论。

2. 系统输入与模型基础

2.1 输入变量

信息、膳食影响估计和生理变量代表了指示身体活动（PA）的输入，即 $u_k = [Insk, Mealk, METk]$。其中，代谢当量任务（MET）是表示能量消耗的指标，可反映PA的强度。

2.2 模型状态

模型的一个状态是血液中的胰岛素量，即血浆胰岛素浓度（PIC）。在AL - MPC中，定义了PIC安全约束，以确保体内有安全剂量的胰岛素。

2.3 系统识别技术

为保证模型能为基于模型的预测控制算法提供准确的输出预测，采用递归子空间识别方法，获得过程的稳定时变状态空间模型。这通过对识别模型的保真度和准确性施加约束、确保输入 - 输出增益符号的正确性以及整合启发式方法来保证递归识别模型的稳定性。

graph LR
    A[信息、膳食影响估计、生理变量] --> B[递归子空间识别方法]
    B --> C[稳定时变状态空间模型]
    C --> D[基于模型的预测控制算法]

3. PIC认知的AL - MPC算