Controle inteligente para um pâncreas artificial utilizando redes neurais artificiais

Autor: Farias, João Lucas Correia Barbosa de
Přispěvatelé: Cunha Júnior, Américo Barbosa da, Rezende, Adriana Augusto de, Dorea, Carlos Eduardo Trabuco, Bessa, Wallace Moreira
Jazyk: portugalština
Rok vydání: 2021
Předmět:
Zdroj: Repositório Institucional da UFRN
Universidade Federal do Rio Grande do Norte (UFRN)
instacron:UFRN
Popis: O Diabetes Mellitus Tipo 1 é uma doença de acomete milhões de pessoas no mundo. Recentemente, graças ao incrível avanço no campo dos dispositivos embarcados, têm surgido propostas de dispositivos que injetam insulina por via subcutânea, no intuito de regular automaticamente a concentração de glicose no sangue do paciente diabético. Deste modo, este Pâncreas Artificial poderia proporcionar aos pacientes uma vida com mais qualidade, autonomia e conforto. Este trabalho visa projetar um controlador não linear inteligente com compensador por redes neurais artificias do tipo função de base radial (RBF, Radial Basis Function) para um pâncreas artificial. O modelo IVP (Identifiable Virtual Patient) de regulação glicêmica é utilizado para simular a dinâmica do paciente virtual. Os pacientes virtuais e as refeições são geradas de forma aletaória de acordo com distribuições normais e os parâmetros dos pacientes são variados de forma senoidal ao longo da simulação. A abordagem de controle proposta não tem conhecimento da dinâmica do sistema e não é avisada quando o paciente realiza uma refeição. O primeiro controlador analisado foi baseado na técnica de linearização por realimentação com compensador por rede neural RBF e algoritmo de projeção e o segundo foi baseado no controle por modos deslizantes com compensador por rede neural RBF. Na primeira parte dos testes, foram simulados 200 pacientes virtuais com duração de 7 dias e com 3 refeições por dia. Os controladores obtiveram desempenhos equivalentes com o pior cenário registrando média glicêmica de 115,97 mg/dL e 97,14% de tempo em regime normoglicêmico. Na segunda parte, foi simulado 1 paciente virtual por um período de 63 dias com 3 refeições diárias, visando analisar o comportamento dos controladores a longo prazo. No pior cenário, as simulações registraram glicemia média de 119,20 mg/dL e 93,67% de tempo em normoglicemia. Nesse caso, a técnica de linearização por realimentação apresentou um melhor desempenho, sugerindo que – a longo prazo – o algoritmo de projeção proporciona maior estabilidade à atualização do vetor de pesos da rede neural. Os resultados indicam que, devido a capacidade de aprendizagem contínua e adaptação às mudanças do sistema, o controle inteligente proposto se mostrou apto para lidar com o problema de regulação glicêmica em pacientes com diabetes mellitus tipo 1 de forma eficaz. Type 1 Diabetes Mellitus is a disease that affects millions of people around the world. Recently, the incredible progress of embedded devices has given rise to proposals of devices that pump insulin subcutaneously, with the purpose of automatically regulating blood glucose level in diabetic patients. This way, the Artificial Pancreas could provide a better quality of life with more autonomy and comfort to the patients. The goal of this work is to design a nonlinear intelligent controller with a radial basis function (RBF) artificial neural network as an uncertainty estimator for an artificial pancreas. The IVP (Identifiable Virtual Patient) model for blood glucose regulation is used to simulate the dynamics of the virtual patient. The virtual patients and meals are randomly generated following normal distributions and the parameters of the patients vary in a sinusoidal way over the course of the simulation. The proposed control approach neither has knowledge of the system dynamics nor is alerted when a patient has a meal. The first controller analyzed was based on the feedback linearization (FBL) technique with a RBF estimator and a projection algorithm, and the second one was based on sliding modes control with a RBF estimator. On the first part of the tests, 200 virtual patients underwent a 7-day, 3-meal per day simulation. The controllers had equivalent performances with worst case scenario resulting in 115,97 mg/dL mean blood glucose and 97,14% of the time in normoglycemic regime. On the second part, 1 patient underwent a 63-day, 3-meal per day simulation with the goal of analyzing the long-term behavior of the controllers. In the worst case scenario, the simulations resulted in 119,20 mg/dL mean blood glucose and 93,67% of the time in normoglycemia. On this part, FBL technique showed better perfomance, suggesting that, in the long run, the projection algorithm provides greater stability in the update of the neural network weight vector. The results indicate that, due to its continuous learning and adaptation abilities, the proposed intelligent controller has proven to be fit for the problem of efficient blood glucose regulation in patients with type 1 diabetes mellitus.
Databáze: OpenAIRE
Externí odkaz: