کنترل تطبیقی عصبی پانکراس مصنوعی برای بیماران دیابت نوع یک با در نظر گرفتن محدودیت در نرخ انسولین تزریقی

روش‌های هوشمند در صنعت برق

مقاله 7، دوره 14، شماره 56، اسفند 1402، صفحه 119-130   

نوع مقاله: مقاله پژوهشی

نویسندگان

صادق رضایی¹؛ محسن پارسا^{* 2}

¹دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

²مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

چکیده

کنترل متغیرهای حیاتی در افراد بیمار که سیستم کنترل طبیعی آن­ها به دلایلی با مشکل مواجه شده، امری ضروری است. یکی از این متغیرهای حیاتی سطح گلوکز خون است و متاسفانه در افرادی که دچار بیماری دیابت (بیماری قند خون) هستند تنظیم سطح گلوکز خون به­درستی صورت نمی­گیرد. در جهت جبران این فقدان، در سال­های گذشته تحقیقات و تلاش­های متعددی جهت ساخت و بهبود عملکرد پانکراس مصنوعی به جهت کنترل قند خون انجام گرفته­ است. وجود عواملی مانند نامعینی­های متعدد که ناشی از تفاوت­های فیزیولوژیکی در اشخاص، فعالیت­های گوناگون در طول روز، اثرگذاری با تاخیر کربوهیدرات­ها در میزان قند خون بدن، استرس و ورزش، کنترل پانکراس مصنوعی را به موضوعی پر چالش تبدیل کرده است.  اما یکی از چالش­های مهم در این حوزه که کمتر در تاریخچه به آن پرداخته شده است، وجود محدودیت در دُز مجاز تزریق انسولین در پانکراس مصنوعی برای بیماران دیابت نوع یک است. از سویی تزریق دُز بالا می­تواند مشکلاتی مانند هایپرگلیسمی را در بیماران به وجود آورد و از سوی دیگر تزریق دُز منفی انسولین بی­معنا است. در این مقاله پس از انتخاب مدل برگمن و در نظر گرفتن وجود اشباع نامتقارن در عملگر، از روش کنترل گام به عقب و تلفیق آن با تکنیک تطبیقی برای بهبود عملکرد کنترل­کننده استفاده شده و پایداری سیستم حلقه­بسته تضمین می­گردد. در انتها با کمک نتایج شبیه­سازی نشان داده می­شود که با وجود اغتشاش پله­ای بزرگ، دُز انسولین تزریقی در محدوده مجاز بین صفر تا 20 میلی ­واحد بر دقیقه باقی­ مانده و سطح گلوکوز خون از محدوده مناسب 130 میلی­گرم بر دسی­لیتر فراتر نمی­رود.

کلیدواژه‌ها

اشباع نامتقارن محرک؛ پانکراس مصنوعی؛ کنترل تطبیقی شبکه عصبی؛ مدل برگمن

مراجع

[1] C. Bommer, V. Sagalova, E. Heesemann, J. Manne-Goehler, R. Atun, T. Barnighausen, J. Davies, S. Vollmer, “Global economic burden of diabetes in adults: Projections from 2015 to 2030”, American Diabetes Association, vol. 41, no. 5, pp. 963-970, May 2018 (doi: 10.2337/dc17-1962).

[2] A.D. Association, “Economic costs of diabetes in the US in 2012, diabetes care”, Diabetes Care, vol. 36, no. 4, pp. 1033-1046, Apr. 2013 (doi: 10.2337/dc12-2625).

[3] M. Bouquot, S. Gaujoux S, F. Cauchy, D. Birnbaum, S. Dokmak, P. Levy, O. Soubrane, A. Sauvanet, “Pancreatectomy for pancreatic  incidentaloma: what are the risk?”, Journal Pancreatology, vol. 18, no. 1, pp. 114-121, Jan. 2018 (doi: 10.1016/j.pan.2017.11.002).

[4] M.A. Marini, S. Frontoni, E. Succurro, F. Arturi, A. Sciacqua, M.L. Hribal, F. Perticone, G. Sesti, “Insulin sensitivity, and β-cell function in relation to hemoglobin A1C”, Nutrition, Metabolism and Cardiovascular Diseases, vol. 24, no. 1, pp. 27-33, Jan. 2014 (doi: 10.1016/j.numecd.2013.01.011).

[5] A.D. Association, “Standards of medical care in diabetesd,” Diabetes Care, vol. 37, no. 1, pp. 14-80, Jan. 2014 (doi: 10.2337/dc14-S014).

[6] D. Elleri, D. B. Dunger, R. Hovorka, “Closed-loop insulin delivery for treatment of type 1 diabetes”, BMC Medicine, vol. 9, no. 120, Nov. 2011 (doi: 10.1186/1741-7015-9-120).

[7] N. Resalat, J.E. Youssef, R. Reddy, P.G. Jacobs, “Design of a dual-hormone model predictive control for artificial pancreas with exercise model”, Proceeding of the IEEE/EMBC, pp. 2270-2273, Orlando, FL, Aug. 2016 (doi:10.1109/EMBC.2016.7591182).

[8] D. Boiroux, V. Batora, M. Hagdrup, S.L. Wendt, N.K. Poulsen, H. Madsen, J.B. Jorgensen, “Adaptive model predictive control for a dual-hormone artificial pancreas”, Journal of Process Control, vol. 68, pp. 105-117, Aug. 2018 (doi: 10.1016/j.jprocont.2018.05.003).

[9] D. Wexler, J. Meigs, E. Cagliero, D. Nathan, R. Grant, “Prevalence of hyper- and hypoglycemia among inpatients with diabetes”, Diabetes Care, vol. 30, no. 2, pp. 367-369, Feb. 2007 (doi: 10.2337/dc06-1715).

[10] S. Asadi, V. Nekoukar, “Adaptive fuzzy integral sliding mode control of blood glucose level in patients with type 1 diabetes: in silico Studies”, Mathematical Biosciences, Article Number: 30201283, Sept. 2018 (doi: 10.1016/j.mbs.2018.09.006).

[11] Y. Wei, P. W. Tse, Z. Yao, Y. Wang, “Adaptive backstepping output feedback control for a class of nonlinear fractional order systems”, Nonlinear Dynamics, vol. 86, no. 2, pp. 1047-1056, July 2016 (doi: 10.1007/s11071-016-2945-4).

[12] A. Nath, R. Dey, “Robust observer based control for plasma glucose regulation in type 1 diabetes patient using attractive ellipsoid method”, IET Systems Biology, vol. 13, no. 2, pp. 84-91, Apr. 2019 (doi: 10.1­049­/ie­t-syb.2018.5054).

[13] N. Doye, I. Vosh, H. Darouach, M. Schneider, “Static output feedback H∞ control for a fractional-order glucose-insulin system”, International Journal of Control, Automation and Systems, vol. 13, no. 4, pp. 798-807, May 2015 (doi.org/10.1007/s12555-013-9192-y).

[14] B. Farahmand, N. Vafamand, M. Dehghani, “Fuzzy model-based controller for blood glucose control in type 1 diabetes: An LMI approach”, Biomedical Signal Processing and Control, vol. 54, Article Number: 101627, Sept. 2019 (doi.org/10.1016/j.bspc.2019.101627).

[15] L. Chen, H. Mo, F. Wang, “Analysis and control of blood glucose situation for diabetic patients based on interval type-2 fuzzy sets”, International Journal of Fuzzy Systems, vol. 23, no. 4, pp. 1179-1193, Jun 2020 (doi: 10.1007/s40815-020-00918-6).

[16] S.K. Faruque, R. Padhi, “Optimal blood glucose regulation of diabetic patients using single network adaptive critics”, Optimal control application and methodes, vol. 32, no. 2, pp. 196-214, Apr. 2009 (doi: 10.1­109/CCA.2009.5281091).

[17] M. Goharimanesh, A. Lashkaripour, A. Abouei, “Fractional order PID controller for diabetes patients”, Journal of Computational Applied Mechanics, vol. 46, no. 1, pp. 69-76, Jan. 2015 (doi: 10.22059/JCAMEC­H.20­15­.53395).

[18] G. Marchetti, M. Barolo, L. Jovanovicy, H. Zissery, E. Seborg, “An improved PID switching control strategy for type 1 diabetes”, IEEE Trans. on Biomedical Engineering, vol. 55, no. 3, pp. 857-865, Feb.  2008 (doi: 10.1109/TBME.2008.915665).

[19] N. Anirudh, D. Dipankar, D. Rajeeb, “Robust observer-based adaptive control of blood glucose in diabetic patients”, International Journal of Control, vol. 94, no. 11, pp. 3054-3067, Apr. 2020 (doi: 10.1080/00207­17­9.2­020.1750705).

[20] Z. Kouchaki, M.R. Yousefi, K. Shojaee, “Blood glucose control for type 1 diabetic patients: robust fuzzy adaptive approach”, Journal of Intelligent Procedures in Electrical Technology, vol. 14, no. 53, pp. 31-48, June 2023 (in Persian).

[21] S. Nasr,  H. Mahmoodian, “Insulin drug regulation by general type 2 fuzzy controller with alpha plane”, Journal of Intelligent Procedures in Electrical Technology, vol. 10, no. 37, pp. 39-48, March 2019 (dor: 20.1001.1.23223871.1398.10.37.4.8) (in Persian).

[22] Y. Li, S. Tong, T. Li, “Adaptive fuzzy output-feedback control for output constrained nonlinear systems in the presence of input saturation”, Fuzzy Sets and Systems, vol. 248, pp. 138-155, Aug. 2014 (doi: 10.101­6/j.­fss.2013.11.006).