引用本文

史大威, 杨肖, 蔡德恒, 牟治宇, 刘蔚, 纪立农. 基于胰岛素基础率估计的人工胰腺系统自抗扰控制. 自动化学报, 2021, 47(5): 1043−1057 doi: 10.16383/j.aas.c200223

Shi Da-Wei, Yang Xiao, Cai De-Heng, Mou Zhi-Yu, Liu Wei, Ji Li-Nong. Active disturbance rejection control for artificial pancreas system based on insulin basal rate estimation. Acta Automatica Sinica, 2021, 47(5): 1043−1057 doi: 10.16383/j.aas.c200223

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200223

关键词

人工胰腺系统，自抗扰控制，胰岛素基础率，移动应用程序

摘要

胰岛素基础率是人工胰腺系统实现人体血糖闭环控制的基准, 但该变量在临床治疗中难以准确确定. 针对这一问题, 本文设计了一种基于胰岛素基础率动态估计的人工胰腺自抗扰控制方法, 通过扩张状态观测器(Extended state observer, ESO)实时估计血糖代谢过程中的内部与外界干扰, 构建具备参数自适应能力的反馈控制律和胰岛素注射安全约束, 实现血糖闭环调控能力的有效改善. 在此基础上, 本文设计了基于移动设备和蓝牙模块的人工胰腺软件系统, 并通过美国食品药品监督管理局(Food and Drug Administration, FDA)接受的UVA/Padova T1DM仿真平台完成算法的比较仿真与功能测试. 本文的工作将为后续人工胰腺临床试验的开展提供方法基础和技术支持, 也为我国糖尿病患者血糖管理的改善提供精准医学治疗手段.

文章导读

糖尿病是一种以高血糖为特征的代谢性疾病, 可能会导致神经病变、心血管疾病、慢性肾病、视网膜病变等严重长期并发症. 中国拥有全世界最多的糖尿病患者, 在预防和控制糖尿病方面面临巨大的挑战[1-4]. 因而, 研究开发适合我国糖尿病患者的先进治疗技术具有重要意义.

人工胰腺系统是一类新型闭环给药智能系统, 可以为糖尿病患者提供闭环血糖调节有效手段[5-10]. 该系统主要由三部分组成: 动态葡萄糖监控传感器(Continuous glucose monitor, CGM)、胰岛素泵(Pump)以及基于实时血糖测量信息对胰岛素输注量进行调节的控制器. 其中, 人工胰腺控制器设计至关重要, 对实现安全有效的血糖控制有着重要影响, 近年来受到学术界广泛关注.

目前, 广泛应用在临床试验中的控制算法主要包括PID (Proportional-integral-derivative)控制算法[11-12]和模型预测控制(Model predictive control, MPC)算法[13-16]. PID控制算法作为工业中简单实用的控制算法, 较早地应用于人工胰腺控制算法设计. 文献[17]针对可移植人工胰腺系统, 设计了一种具有胰岛素反馈和抗积分饱和策略的鲁棒PID控制器. MPC可以将控制器设计问题转化为约束优化问题进行在线求解, 广泛应用于各个领域[18-20], 近年来也在人工胰腺系统中进行相关研究. 文献[21]利用具有非对称代价函数和时变参考信号的自适应MPC控制算法进行血糖控制, 文献[22]将积分项引入到代价函数中来消除无约束MPC算法所带来的静态误差.

然而, 现有的控制器基本都依赖于胰岛素基础率进行设计, 得到的胰岛素输注量实际上为以胰岛素基础率为基准的调整值. 由于患者本身胰岛素基础率是变化且难以准确估计的, 估计偏差的存在必然导致血糖控制性能的降低[23]. 针对这一问题, 现有文献中主要考虑人工胰腺参数自适应方法. 例如, 文献[24]利用稀疏的血糖值运用Run-to-Run的方法来自适应调节患者胰岛素基础率和餐前大剂量胰岛素输注参数. 文献[25]在文献[24]的基础上提出利用CGM的血糖测量值, 运用基于Run-to-Run的自适应MPC算法进行参数调整, 提高血糖控制水平. 文献[26]运用两阶段贝叶斯优化辅助参数学习算法, 利用患者长时间数据进行学习, 实现人工胰腺自适应, 调整人工胰腺胰岛素基础率等参数, 改善血糖管理. 文献[27]提出模型预测迭代学习控制(Model predictive iterative learning control, MPILC)算法, 从个人的生活方式中进行学习, 得到适用于血糖调节的闭环控制器参数, 从而改善控制性能, 并且此算法在文献[28]中得到了临床验证. 以上提高血糖控制性能的方法一般建立在大量数据的基础上, 参数适应过程一般较长, 不利于实现短时间内血糖管理水平的有效改善.

另外, 由于人体结构比较复杂, 建立精确的血糖代谢模型较为困难, 因此本文将自抗扰控制作为控制器设计的主题框架. 自抗扰控制算法具有在不确定强扰动、不确定模型和非线性作用下仍然保持良好控制性能的特点[29], 并已在多个工程领域成功应用[30-31], 近年来在国内外引起了广泛关注[32-35]. 例如, 文献[36]提出了一种新的设定线性扩张状态观测器(Extended state observer, ESO)系数的方法, 通过调整带宽优化观测效果. 文献[37]提出了一种观测器增益随时间变化的自适应ESO, 结合了常规线性ESO和常规非线性ESO的优点, 扩展了自抗扰控制算法在非线性扰动系统中的应用. 文献[38]证明了一类具有大范围不确定性的多输入多输出非线性系统中自抗扰控制的全局和半全局稳定性. 对自抗扰控制发展的详细介绍可参考文献[32-35].

基于以上考虑, 本文提出一种具备关键参数自适应能力的自抗扰血糖闭环控制算法, 依据血糖数据动态估计胰岛素基础率, 并据此通过具有参数适应功能的反馈控制方法完成胰岛素剂量的动态计算, 可利用相对较少数据实现无需胰岛素基础率准确信息的血糖闭环控制. 为了保证控制算法的安全性, 引入具备动态放缩能力的胰岛素输注约束对闭环血糖控制提供实时安全保护. 本文中控制器能够及时调整患者的胰岛素基础率, 减小与患者实际值的偏差, 实现对患者血糖更加安全有效的控制. 本文使用美国食品药品监督管理局(Food and Drug Administration, FDA)接受的UVA/Padova T1DM血糖代谢仿真器对所设计的控制器进行仿真验证.

此外, 考虑到人工胰腺系统的可移动、家用化、便携式趋势[39-41], 本文设计开发了一款基于移动设备的人工胰腺软件系统, 通过蓝牙模块与UVA/Padova T1DM血糖代谢仿真器无线连接, 实现控制算法的仿真测试, 完成闭环血糖控制, 实时显示和管理血糖及胰岛素输注数据, 提供良好的用户交互体验, 为后续临床试验开展打下良好的平台基础.

图 1  控制器结构图

图 3  人工胰腺系统仿真平台数据传输示意图

图 11  观测值z1与y的对比图

本文设计了一种基于胰岛素基础率动态估计的人工胰腺自抗扰控制方法. 此控制算法通过自动调整胰岛素基础率, 减小与患者实际胰岛素基础率的偏差, 从而使控制算法对患者的血糖调节达到良好的效果. 仿真结果表明, 在胰岛素基础率正常时, 本控制算法与zMPC控制算法达到了相似的效果; 但在胰岛素基础率偏差较大时, 本控制算法得到了优于zMPC控制算法的血糖控制效果. 此外, 本文开发了基于移动设备的人工胰腺系统, 在智能手机中嵌入控制算法实现对患者的血糖控制, 对国内外便携式人工胰腺系统的发展及改善糖尿病患者生活都具有一定意义.

作者简介

史大威

北京理工大学自动化学院教授. 主要研究方向为复杂采样控制系统分析与设计及在生物医学、机器人及工业过程中的应用. 本文通信作者. E-mail: daweishi@bit.edu.cn

杨肖

北京理工大学自动化学院硕士研究生. 主要研究方向为闭环给药系统控制算法设计与

实现以及移动应用软件设计. E-mail: yangxiao@bit.edu.cn

蔡德恒

北京理工大学自动化学院博士研究生. 主要研究方向为事件触发的采样控制、估计与学习以及闭环给药系统控制算法设计与实现. E-mail: dehengcai@bit.edu.cn

牟治宇

清华大学自动化系硕士研究生. 主要研究方向为移动应用软件设计. E-mail: mouzy20@mails.tsinghua.edu.cn

刘蔚

北京大学人民医院内分泌科主治医师. 主要研究方向为糖尿病分子病因学. E-mail: liuwei850217@163.com

纪立农

北京大学人民医院内分泌科主任, 北京大学糖尿病中心共同主任. 主要研究方向为糖尿病分子病因学和转化医学. E-mail: jiln@bjmu.edu.cn