CN109999270A - 一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器 - Google Patents

Abstract

本发明提供一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器，包括跟踪微分器模块、扩维观测器模块、非线性反馈模块和约束模块，其中，所述非线性反馈模块的非线性反馈模型为：u＝(‑fhan(k₁e₁,k₂e₂,r₂,a)‑z₃)/b₀其中，k₁,k₂,a为根据血糖变化趋势自适应的参数，r₂称为控制量增益；e₁和e₂为血糖浓度及其变化率设定值与估计值之间的误差信号，z₃为总干扰的估计值；b₀为已知增益系数。本发明把作用于被控对象的所有不确定因素作用都归结为“未知扰动”而用对象的输入输出数据对它进行估计并给予补偿。因此本控制器算法对个人参数不准，模型不确定，进食干扰，饭前剂量不准等扰动具有一定的鲁棒性。

Description

一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器

技术领域

本发明涉及一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器，属于人工胰腺系统技术领域。

背景技术

正常健康人的血糖浓度是由胰岛素和胰高血糖素协同调节的。胰高血糖素由胰腺中的α细胞分泌，能够升高血糖浓度，而胰岛素由胰腺中的β细胞分泌，能够降低血糖浓度。当由于自身免疫性破坏导致β细胞丧失功能或者死亡，胰岛素完全不分泌时，此症状为Ⅰ型糖尿病，当β细胞不能产生足量的胰岛素时，此症状为Ⅱ型糖尿病。无论Ⅰ型、Ⅱ型糖尿病都是以高血糖为特征的代谢性疾病，并会导致心血管疾病、慢性肾脏病、糖尿病足、视网膜病变等严重长期并发症，与心血管病、呼吸疾病和肿瘤统称为四大慢病。

得益于血糖传感器以及胰岛素泵的技术发展，人工胰腺得以实施，实现更为有效的糖尿病治疗，尽可能保证血糖浓度在正常范围内：70-180mg/dl。人工胰腺系统是一闭环控制系统，如图1所示，其主要由三部分组成：动态血糖监控(血糖传感器)，可进行胰岛素输注的胰岛素泵，以及能基于连续测量的血糖值实时调整胰岛素输注量的控制器。但控制器中的控制算法作为人工胰腺的关键核心部分，其设计面临着许多挑战：

1)被控过程难以精确建模。由于人体结构及动态的复杂性，人体血糖代谢过程是一个复杂的、非稳态、多变量、强耦合、高阶非线性系统，且个体间甚至同个体不同时段胰岛素灵敏度都不同，导致这一系统还是时变、变参数系统。

2)多种类型的干扰。人体正常生活所包括的摄食，运动，饮酒等活动，以及压力和情绪变化等都会给血糖代谢系统带来干扰，这些都是难以被测量的。

3)非对称动力学。摄食后消化吸收所带来的血糖升高是一快速响应的动力学过程，而经皮下注射的胰岛素通过吸收并作用使血糖降低是一缓慢的动力学过程，以及血糖传感器通过皮下细胞间液与血管中血糖的浓度差测量血糖浓度也有一定的时间滞后和不准确性。

4)高血糖和低血糖的不对称性风险。高血糖是糖尿病患者长期并发症的主要原因，然而“胰岛素-血糖”系统是一正值系统，胰岛素的输注值以及系统状态值只为正值，当为尽快消除高血糖有可能会注射过量的胰岛素造成而后的低血糖现象。

现有的进入临床实验的闭环控制算法主要有PID控制和模型预测控制(MPC)。PID作为工业上实用的控制算法，其也是最先用于人工胰腺系统，利用血糖浓度目标值与实际值之间误差的比例、积分、微分的加权和形式来形成反馈控制量，具有结构简单，易于实现的特点，但也受限于结构简单，血糖代谢系统的特性包括上述所需考虑的问题挑战都无法在控制器设计中体现，有积分饱和现象，容易造成在血糖持续上升时胰岛素注射过量。MPC能直接处理各种约束条件下的控制问题，对系统模型有一定的鲁棒性，通过预测未来的输出，寻找最优或次优的控制量，可以很方便地处理摄食，胰岛素吸收延迟等，具有性能优越的特点，但算法复杂度较高，控制器运行占用较多计算资源，不利于在嵌入式系统中可靠实现。因此如何设计能有效兼容PID控制器结构简单和MPC控制器性能优越的特点，并保证安全性的控制器对于人工胰腺系统具有重要意义。

发明内容

本发明的目的在于克服现有技术的不足和缺陷，利用自抗扰控制技术，结合自适应思想，提出了一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器，实现具有结构简单，计算量小，且兼容MPC控制器性能优越的特点，和保证算法安全性的目的。

本发明是通过下述技术方案实现的：

一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器，包括跟踪微分器模块、扩维观测器模块、非线性反馈模块和约束模块，其中，

所述非线性反馈模块的非线性反馈模型为：

u＝(-fhan(k₁e₁,k₂e₂,r₂,a)-z₃)/b₀

其中，k₁,k₂,a为根据血糖变化趋势自适应的参数，r₂称为控制量增益；e₁和e₂为血糖浓度及其变化率设定值与估计值之间的误差信号，z₃为总干扰的估计值；b₀为已知增益系数。

进一步地，本发明所述跟踪微分器模块，接收人体身上的血糖传感器每隔一个采样周期采集的血糖浓度测量信号，当血糖浓度满足设计条件时，输出血糖浓度预测信号，否则输出血糖浓度滤波信号；所述设计条件为：血糖浓度在上升阶段，维持在设定[G_h,G_H]范围内，血糖浓度在下降阶段，维持在设定[G_L G_l]

,范围内，G_h取值范围为110mg/dl-150mg/dl，G_H取值范围为200mg/dl-300mg/dl,G_L取值范围为90mg/dl-120m/dl，G_l取值范围为170mg/dl-200mg/dl。

扩维观测器模块，对跟踪微分器模块输出的滤波信号或预测信号进行处理，得到总干扰估计值、血糖浓度偏离值及其变化率估计值，再将血糖浓度偏离值及其变化率估计值与预设的参考信号比较得到误差信号；

约束模块，根据约束条件对输出信号u进行约束后来控制胰岛素泵，将控制信号对应的胰岛素输注量注射入人体，形成闭环控制。

进一步地，本发明若血糖浓度变化满足设计条件，所述约束模块利用所述血糖浓度预测信号，计算IOB约束值，否则，所述约束模块利用血糖浓度滤波信，计算IOB约束值。

进一步地，本发明所述k₁,k₂,a根据血糖变化趋势自适应的参数为：

设置参数的思想：总的实现在血糖浓度上升阶段提前注射适量的胰岛素，并且防止胰岛素注射过量，而在血糖浓度下降阶段，注射适量的胰岛素，以基础胰岛素注射量，甚至停止注射，保证算法安全性；

血糖浓度上升过程

第一阶段：当血糖浓度小于阈值G_h时，将k₁,k₂设计成血糖浓度变化率的函数，随着血糖浓度变化率的增大而增大，最后保持不变，将a设计成血糖浓度的函数，随着血糖浓度的增大而减小，最后保持不变；(实现在血糖浓度较低且上升缓慢时，控制响应相对保守，达到基本以基础胰岛素量注射的效果，减弱传感器噪声的影响，而当血糖浓度逐渐快速上升时，控制响应逐渐灵敏，达到胰岛素注射量从基础胰岛素注射量逐渐增大的效果。)

第二阶段：当血糖浓度大于阈值G_h且小于阈值G_H时，k₁,k₂都各自保持第一阶段的不变值，将a设计成血糖浓度的函数，随着血糖浓度的增大而增大；(实现在血糖浓度上升的最初阶段提高控制器响应灵敏性，充分注射适量的胰岛素，而后血糖上升接近上阈值时，逐渐减少胰岛素注射量，防止注射过量。)

第三阶段：当血糖浓度大于阈值G_H时，使k₁,k₂,a都各自保持第二阶段的结束值；(在第一，二阶段已注射足量的胰岛素，因此在这一阶段实现注射适量的胰岛素。)

血糖浓度下降过程

第一阶段：当血糖浓度大于阈值G_l时，将设计k₂为血糖浓度变化率的绝对值的函数，绝对值越大k₂越大，而设计k₁和a保持固定值不变；(实现在血糖浓度高而处于下降阶段时注射适量的胰岛素，且胰岛素注射量随血糖浓度下降速度增大而更加减少。)

第二阶段：当血糖浓度小于阈值G_l且大于阈值G_L时，并设计k₁为一固定值，a与第一阶段值相同，k₂为第一段的所用函数；(实现在血糖浓度较低而处于下降阶段注射适量的胰岛素，且胰岛素注射量随血糖浓度下降速度增大而更加减少。)

第三阶段：当血糖浓度小于阈值G_L时，设计k₁和a与第二阶段的值相同，k₂为一固定值。(实现在血糖浓度更低时，基本只注射基础胰岛素，甚至停止注射，防止低血糖现象发生。)

有益效果

本发明利用自抗扰控制技术，结合自适应思想，提出了一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器。

(1)自抗扰控制技术本身的最突出特征就是把作用于被控对象的所有不确定因素作用都归结为“未知扰动”而用对象的输入输出数据对它进行估计并给予补偿。因此本控制器算法对个人参数不准，模型不确定，进食干扰，饭前剂量不准等扰动具有一定的鲁棒性。

(2)本控制器算法在血糖上升和下降阶段分别满足设计的条件时，利用跟踪微分器开启预测功能，并且让IOB约束自适应，可针对上述提及的不对称动力学问题，实现在进食后血糖浓度上升的最初阶段就让算法变得激烈，提前多注射胰岛素，而在血糖浓度下降阶段也开启预测功能，让算法变得保守，提前少注射胰岛素，甚至停止注射。这样设计同时有助于解决高低血糖不对称风险，有效让血糖浓度尽快回到正常范围，又避免低血糖症状的发生，保证算法的安全性。

(3)本控制器算法引入自适应思想，基于血糖变化趋势设计非线性反馈控制律的参数，使其对测量噪声具有一定的鲁棒性，并实现在血糖浓度上升和下降阶段有不同处理方式，以及对高低血糖的高敏感度，保证算法的安全性，合理性，有效性。

附图说明

图1是本发明人工胰腺系统结构框图；

图2是本发明自适应自抗扰控制器结构原理示意图；

图3是本发明实施例中设计参数自适应所利用的函数曲线图；

图4是本发明实施例中餐前补充大剂量胰岛素下仿真结果的血糖浓度四分位曲线和均值曲线图；

图5是本发明实施例中餐前补充大剂量胰岛素下本控制器与其他两个MPC控制器仿真结果比较图；

图6是本发明实施例中餐前无补充大剂量胰岛素下仿真结果的血糖浓度四分位曲线和均值曲线图；

图7是本发明实施例中餐前无补充大剂量胰岛素下本控制器与其他两个MPC控制器仿真结果比较图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：本实施例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于以下的实施方式。

本发明的设计思想为：根据病人的实际情况，与内分泌科专家确定其每天维持血糖浓度大致稳定所需的胰岛素总量u_TDI，在此平衡稳态附近建立为实现血糖浓度输出为G_b＝110mg/dl且适合自抗扰控制技术实施的控制模型，本发明所设计的控制模型为:其中t为时间，单位为分钟，G为血糖浓度G_BG偏离G_b的值，即G＝G_BG-G_b，而为偏离值的变化率，即为血糖浓度变化率，为的变化率，d(t)为干扰，例如进食，模型不确定性等。是血糖浓度及其变化率、干扰和时间的函数，控制量u为偏离基础胰岛素注射速率u_b的偏离量，即u＝u_I-u_b，u_I为实际胰岛素注射速率，应保证该值非负。b为增益系数，可写成与u_TDI有关的已知部分b₀和摄动部分Δb之和。

基于上述思想，本实施例一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器，包括跟踪微分器模块、扩维观测器模块、非线性反馈模块和约束模块，其中，

跟踪微分器模块，接收人体身上的血糖传感器每隔一个采样周期采集的血糖浓度测量信号，当血糖浓度满足设计条件时，输出血糖浓度预测信号，否则输出血糖浓度滤波信号；所述设计条件为：血糖浓度在上升阶段，维持在设定[G_h,G_H]范围内，血糖浓度在下降阶段，维持在设定[G_L G_l]范围内；

扩维观测器模块，对跟踪微分器模块输出的滤波信号或预测信号进行处理，得到总干扰估计值、血糖浓度偏离值及其变化率估计值，再将血糖浓度偏离值及其变化率估计值与预设的参考信号比较得到误差信号；

所述非线性反馈模块的非线性反馈模型为：

u＝(-fhan(k₁e₁,k₂e₂,r₂,a)-z₃)/b₀

其中，k₁,k₂,a为根据血糖变化趋势自适应的参数，r₂称为控制量增益；e₁和e₂为血糖浓度及其变化率设定值与估计值之间的误差信号，z₃为总干扰的估计值；b₀为已知增益系数。

约束模块，根据约束条件对输出信号u进行约束后来控制胰岛素泵，将控制信号对应的胰岛素输注量注射入人体，形成闭环控制。

上述各模块的具体过程为：

(1)每隔一个采样周期，控制器接收到一个血糖传感器测量值CGM(k)，经过跟踪微分器处理得到对应的滤波信号及其近似微分信号，同时引入自适应思想，根据不同测量值，当满足设计条件之一时，开启预测功能，自适应得到血糖浓度预测信号。其中跟踪微分器形式有多种，文献[1](韩京清.自抗扰控制技术.北京，国防工业出版社，2008)中介绍的包括线性跟踪微分器和非线性跟踪微分器(快速跟踪微分器和最速跟踪微分器)等。

(2)自适应地将血糖浓度的滤波信号或者预测信号送入扩维状态观测器，将控制模型离散化，并将看作是总干扰d_t来估计，其中扩维状态观测器可以采用线性状态观测器或非线性状态观测器，具体形式及相应参数确定可参见文献[1]的扩张状态观测器章节，利用扩维状态观测器可得到总干扰d_t的估计值、血糖浓度偏离值及其变化率的估计值。

(3)将血糖浓度及其变化率设定值分别与扩维观测器估计得到的血糖浓度偏离值及其变化率的估计值z₁和z₂比较得到误差信号e₁和e₂，并与总干扰d_t的估计值z₃一起提供给非线性反馈模块，同时引入自适应思想，基于血糖变化趋势改变模块中的参数以自适应产生输出信号u，所用方程为：

u＝(-fhan(k₁e₁,k₂e₂,r₂,a)-z₃)/b₀

其中，k₁,k₂,a为根据血糖变化趋势自适应的参数，r₂称为控制量增益，为一固定参数，其中fhan(·)具体形式参见文献[1]。由(1)可知实际在一个采样周期内向人体注射的胰岛素量为u_IN＝(u+u_b)h。根据文献[1]，为简化参数设计，设计参数r₂始终使下列表达式成立

和

则非线性函数fhan(·)的近似表达式为

血糖浓度上升阶段

当血糖浓度小于阈值G_h时，将k₁,k₂设计成血糖浓度变化率的函数，随着血糖浓度变化率的增大而增大，最后保持不变，将a设计成血糖浓度的函数，随着血糖浓度的增大而减小，最后保持不变；实现在血糖浓度较低且上升缓慢时，让算法保守，减弱传感器噪声的影响，而当血糖浓度逐渐快速上升时，让算法逐渐激烈。

当血糖浓度大于阈值G_h且小于阈值G_H时，k₁,k₂都各自保持第一阶段的不变值，将a设计成血糖浓度的函数，随着血糖浓度的增大而增大；并利用跟踪微分器开启预测功能，得到预测值，并传递给IOB模块，放宽约束，实现在血糖浓度上升的最初阶段就让算法变得激烈，充分注射胰岛素。

当血糖浓度大于阈值G_H时，使k₁,k₂,a都各自保持第二阶段的结束值，使算法逐渐保守，所打胰岛素逐渐减少，保证算法的安全性。

血糖浓度下降阶段

当血糖浓度大于阈值G_l时，将设计k₂为血糖浓度变化率的绝对值的函数，绝对值越大k₂越大，而设计k₁和a保持固定值不变；

当血糖浓度小于阈值G_l且大于阈值G_L时，并设计k₁为一固定值，a与第一阶段值相同，k₂为第一段的所用函数，开启预测功能，加紧约束，实现更加保守的胰岛素注射；

当血糖浓度小于阈值G_L时，设计k₁和a与第二阶段的值相同，k₂为一固定值将k₁,k₂,a设计得更加敏感于变化率和低血糖，在血糖浓度较低且仍有下降趋势时，实现更加及时提早地停止胰岛素输注，保证算法的安全性。

(5)将非线性反馈模块的输出加以一定约束，保证算法的合理性和安全性。约束模块包括非负和最大值限制，以及体内活性胰岛素限制(IOB)。非负和最大值限制用式子表达为：0≤u_IN≤u_max。IOB估算采用文献[2](Gondhalekar R,Dassau E,Doyle IIIF.J.Velocity-weighting&velocity-penalty MPC of an artificial pancreas:Improved safety&performance[J].Automatica,2018,91:105-117)中的方法，IOB衰减曲线函数为：

其中a:＝-0.995，b:＝0.04，c:＝0.84和τ代表胰岛素注射后所经历的时间，T为曲线长度，是血糖浓度y的函数，写成

T(y):＝max{min{-y/30+12,8},2}

则T(y)∈[2,8],单位为小时。记y_i为最近时刻提供给IOB模块的血糖浓度值，即为跟踪微分器输出的滤波或者预测值，根据采样周期将长度为T(y_i)的衰减曲线值离散化得对应的矢量而将长度为4小时的衰减曲线作为饭后额外所打的大剂量胰岛素衰减曲线，离散化得到的矢量记为

记为一个采样周期内由泵注射入人体内减去基础胰岛素注射量的注射量u·h的8小时历史数据矢量，这里的u也可理解为非线性反馈模块的输出经过非负，最大值和上一时刻IOB限制约束，以及泵离散化后的值。为饭后所打大剂量胰岛素的8小时历史数据矢量。则IOB的估算值计算如下：

u_IOB,i:＝max{Γ_i-φ_i,0}

Γ_i:＝(y_i-G_b)/C_F,i

式中下标i代表最近时刻，C_F,i[mg/dl/U]为血糖浓度化为胰岛素的校正系数，则对于i时刻应满足u·h≤u_IOB,i，当u_IOB,i＝0时意味着i时刻后的一个采样周期内所打的胰岛素总量u_IN不应超过按基础胰岛素注射速率所打的量。

(6)泵离散化

在确定最终要在采样时刻i后的一个采样周期内输注的胰岛素量u_IN后，将此值四舍五入到泵的最小增减量的最近整数倍，过程可表示成

其中u_carry,i为上一采样周期内该打而由于四舍五入而少打的量，δ为最小增减量，为最终指示胰岛素泵通过皮下向人体输注的胰岛素量。

如图2所示，下面还给出根据自适应思想设计的各控制器参数变化曲线，但本发明的保护范围不限于这些设计的曲线和实施函数。在本实施例中具体各参数值是基于FDA认证的UVA/Padova T1DM代谢模拟器仿真确定的。

首先针对个人设计个性化的适合自抗扰控制技术实施的控制模型，所设计的名义上增益参数b₀如下

则所建立的控制模型为

其中为未知难建模的函数，d(t)和Δb为未知有界干扰和参数摄动，按照自抗扰控制技术，将这些所有不确定因素作用看作总扰动d_t，并当作一个扩张的状态变量来估计并给予补偿。

本实施例中利用文献[1]中提出的最速跟踪微分器，其具体形式为：

fh＝fhan(x₁(k)-CGM(k),x₂(k),r₁,h₀)

x₁(k+1)＝x₁(k)+hx₂(k)

x₂(k+1)＝x₂(k)+hfh

y_i(k)＝x₁(k+1)+K_ix₂(k+1)

式中，h为采样周期确定为5分钟，r₁决定跟踪速度，越大跟踪越快，确定为2，x₁跟踪输入信号CGM，则x₂为CGM的近似微分信号，h₀为滤波因子，可取得比h适当大，增强滤波效果，确定为h₀＝20，但会造成一定的相位滞后和幅值衰减，需要进行适当地补偿，故当K_i取不同值时，可得到相应的滤波或者预测信号值y_i(k)。本实施例取K₁＝1，得到k时刻对应的滤波信号值y₁(k)，当血糖处于上升阶段且大于阈值G_h，取值见可选区间时，取K₂＝3，得到上升阶段预测信号值y₂(k)，当血糖处于下降阶段且小于阈值G_l，取值见可选区间时，取K₂＝2，得到下降阶段预测信号值y₂(k)。

本实施例中扩维状态观测器选用非线性离散观测器，其具体形式如下：

e＝z₁(k)-(y_i(k)-G_b)

z₁(k+1)＝z₁(k)+h(z₂(k)-β₁e)

z₂(k+1)＝z₂(k)+h(z₃(k)-β₂fe+b₀u)

z₃(k+1)＝z₃(k)+h(-β₃fe₁)

其中，z₁和z₂分别为血糖浓度偏离值及其变化率的估计值，z₃为总干扰d_t的估计值，y_i即为第二步得到的血糖浓度滤波或者预测信号，当血糖上升且浓度大于G_h，和血糖下降且浓度小于G_l时，扩维状态观测器接收预测信号y₂，其他情况接收滤波信号y₁，G_b为所设计模型中的参考血糖值，为110mg/dl。β₁,β₂,β₃为离散观测器参数，根据文献[1]扩张状态观测器章节确定为β₁＝1/h，β₂＝1/(3*h²)，β₃＝2/(64*h³)，且fe,fe₁所利用的函数fal(e,α,δ)为

取fe＝fal(e,2,h)，fe₁＝fal(e,1,h)，式中h即为采样周期。

本实施例中，非线性反馈模块中的参数根据血糖变化趋势自适应变化过程。误差信号为e₁＝G_r-(z₁+G_b)和式中G_r为血糖浓度参考信号，本实施例取为110mg/dl,为血糖浓度变化率参考信号，本实施例中取为0mg/dl/min。则非线性反馈控制律为

u＝(-fhan(k₁e₁,k₂e₂,r₂,a)-z₃)/b₀

此实施例中设计fhan(·)中的控制量增益r₂始终为r₂＝10不变，其他参数设计所利用的函数记为f_a(x,Γ)，其函数曲线如图3所示，具体表达式如下：

f_a(x,Γ)＝min{a₁,exp{αx^β}+a₂-1}，x≥0

其中Γ＝{a₁,α,β,a₂}为待确定的系数，式中a₁,a₂分别决定该函数的最大(饱和)值和最小值，α,β共同决定该函数曲线的陡度。

a)血糖上升阶段：确定阈值G_hmg/dl，当血糖浓度值小于G_h，将k₁,k₂设计成血糖浓度变化率的函数如下：

k₁＝min{4,exp{2x₂ ²}+2-1}和k₂＝min{5,exp{2x₂ ³}+3-1}

式中，x₂即为跟踪微分器提供的血糖浓度近似微分信号，函数实现k₁,k₂随着血糖浓度变化率的增大而增大。将a设计成血糖浓度的函数如下：

a＝min{30,exp{2×(150-y₁)²}+20-1}

式中，y₁为跟踪微分器提供的滤波信号，函数实现a随着血糖浓度的增大而减小。

当血糖浓度值大于G_h又小于G_H时，k₁,k₂都各自保持此值不变，在此实施例中即保持k₁＝4,k₂＝5不变，将a设计成血糖浓度的函数，形式如下：

a＝70-min{50,exp{2×(200-y₁)³}+20-1}

函数实现在血糖浓度靠近较大值G_H时，a从20增大到50而后不变；

并利用跟踪微分器开启预测功能，得到预测值，并传递给IOB模块，放宽约束。此总的设计过程实现在血糖浓度较低且变化缓慢时，让算法保守，减弱传感器噪声的影响，而当血糖浓度逐渐上升时，让算法逐渐激烈，在血糖浓度上升的最初阶段就注射足量的胰岛素。

当血糖浓度上升大于某一较大值G_H，重新设计k₁,k₂,a使算法逐渐保守，在此实施例中保持k₁＝3，k₂＝3和a＝50不变，

使算法在血糖浓度大于G_H时，所打胰岛素随着血糖浓度变化率的减小而减少，保证算法的安全性。

b)当血糖处于下降阶段，即血糖浓度变化率为负时，按血糖浓度分三段设计k₁,k₂,a；

当血糖浓度大于阈值G_l时，设计k₂为血糖浓度变化率的函数，即k₂＝min{3,exp{0.5x₂ ²}+1-1}，而设计k₁＝1和a＝20保持不变，实现在血糖浓度还较高，血糖浓度变化平缓时注射适量的胰岛素，而在血糖浓度迅速下降时及时停止胰岛素注射。

当血糖浓度低于G_l，而高于G_L时，开启跟踪微分器预测功能，加紧IOB约束，并设计k₁＝2和a＝40保持不变，k₂为第一段的所用函数，实现更加保守的胰岛素注射。

当血糖浓度降低到更低值G_L时，设计k₁＝2,k₂＝5和a＝40保持不变，实现控制器更加敏感于血糖浓度变化率和低血糖，在血糖浓度较低且仍有下降趋势时，实现更加及时提早地停止胰岛素输注，保证算法的安全性。

本实施例中约束模块对非线性反馈模块的输出加以一定约束，保证算法的合理性和安全性，约束模块包括非负和最大限制模块及IOB模块。本实施例中u_max＝0.5U,则非负和最大值限制用式子表达为：0≤u_IN≤0.5U。IOB模块中采样周期为5分钟，在血糖浓度大于G_h，且血糖浓度变化率为正时，IOB模块接收血糖浓度预测值y₂，在血糖浓度小于G_l，且血糖浓度变化率为负时，IOB模块也接收血糖浓度预测值y₂，其他情况接收血糖浓度滤波值y₁，计算每一采样时刻对应的IOB限制u_IOB,i，则在i时刻后的一个采样周期内应满足u·h≤u_IOB,i，其中u为非线性反馈模块的输出。

将约束模块输出的控制信号进行离散化，本实施例中泵的最小增减量为δ＝0.05U，计算得最终指示泵通过皮下向人体输注的胰岛素量

本实施例在FDA认证的UVA/Padova T1DM代谢模拟器基于以下场景进行仿真验证，并与文献[2](Gondhalekar R,Dassau E,Doyle III F.J.Velocity-weighting&velocity-penalty MPC of an artificial pancreas:Improved safety&performance[J].Automatica,2018,91:105-117.)中的速度加权模型预测控制算法,以及文献[3](Shi DW,Dassau E,Doyle III F.J.Zone model predictive control with glucose-andvelocity-dependent control penalty adaptation for an artificial pancreas[C].American Control Conference,June 27–29,2018.)中改进的速度加权模型预测控制算法进行比较。这两种MPC算法在图5和图7中分别简记为“Automatica 2018”和“ACC 2018”。模拟仿真从早上7:00开始，持续两天，共48小时，每天都三次用餐，进餐时间在每天的8：00，12：00，19：00，所用膳食所含碳水化合物量分别为50g，75g，75g。三个控制器都基于上述场景利用模拟器中的成年病人组(内含10个模拟成年人)，并将模拟器中的random seed从1顺序变到10，实现重复进行10次基于不同的加性CGM测量噪声的仿真验证，且分别基于餐前补充大剂量胰岛素和餐前无补充大剂量胰岛素。每个控制器总计进行了200次仿真。

餐前补充大剂量胰岛素的仿真结果见图4和图5，餐前无补充大剂量胰岛素的仿真结果见图6和图7。从图中的结果可看出不管是基于餐前补充大剂量胰岛素或者没有，本发明的人工胰腺自适应自抗扰控制器不管在血糖浓度平均值还是在在70-180mg/dl的时间占比都接近甚至优于文献[3]中改进的MPC算法，而没有显著增加低血糖风险，实现了具有结构简单，计算量小，且兼容MPC控制器性能优越的特点，和保证算法安全性的目的。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器，其特征在于，包括跟踪微分器模块、扩维观测器模块、非线性反馈模块和约束模块，其中，

所述非线性反馈模块的非线性反馈模型为：

u＝(-fhan(k₁e₁,k₂e₂,r₂,a)-z₃)/b₀

其中，k₁,k₂,a为根据血糖变化趋势自适应的参数，r₂称为控制量增益；e₁和e₂为血糖浓度及其变化率设定值与估计值之间的误差信号，z₃为总干扰的估计值；b₀为已知增益系数。

2.根据权利要求1所述基于血糖变化趋势的人工胰腺自适应自抗扰控制器，其特征在于，所述跟踪微分器模块，接收人体身上的血糖传感器每隔一个采样周期采集的血糖浓度测量信号，当血糖浓度满足设计条件时，输出血糖浓度预测信号，否则输出血糖浓度滤波信号；所述设计条件为：血糖浓度在上升阶段，维持在设定[G_h,G_H]范围内，血糖浓度在下降阶段，维持在设定[G_L，G_l]范围内，G_h取值范围为110mg/dl-150mg/dl，G_H取值范围为200mg/dl-300mg/dl,G_L取值范围为90mg/dl-120m/dl，G_l取值范围为170mg/dl-200mg/dl。

扩维观测器模块，对跟踪微分器模块输出的滤波信号或预测信号进行处理，得到总干扰估计值、血糖浓度偏离值及其变化率估计值，再将血糖浓度偏离值及其变化率估计值与预设的参考信号比较得到误差信号；

约束模块，根据约束条件对输出信号u进行约束后来控制胰岛素泵，将控制信号对应的胰岛素输注量注射入人体，形成闭环控制。

3.根据权利要求1所述基于血糖变化趋势的人工胰腺自适应自抗扰控制器，其特征在于，若血糖浓度变化满足设计条件，所述约束模块利用所述血糖浓度预测信号，计算IOB约束值，否则，所述约束模块利用血糖浓度滤波信，计算IOB约束值。

4.根据权利要求1所述基于血糖变化趋势的人工胰腺自适应自抗扰控制器，其特征在于，所述k₁,k₂,a根据血糖变化趋势自适应的参数为：

血糖浓度上升过程

第一阶段：当血糖浓度小于阈值G_h时，将k₁,k₂设计成血糖浓度变化率的函数，随着血糖浓度变化率的增大而增大，最后保持不变，将a设计成血糖浓度的函数，随着血糖浓度的增大而减小，最后保持不变；

第二阶段：当血糖浓度大于阈值G_h且小于阈值G_H时，k₁,k₂都各自保持第一阶段的不变值，将a设计成血糖浓度的函数，随着血糖浓度的增大而增大；

第三阶段：当血糖浓度大于阈值G_H时，使k₁,k₂,a都各自保持第二阶段的结束值；

血糖浓度下降过程

第一阶段：当血糖浓度大于阈值G_l时，将设计k₂为血糖浓度变化率的绝对值的函数，绝对值越大k₂越大，而设计k₁和a保持固定值不变；

第二阶段：当血糖浓度小于阈值G_l且大于阈值G_L时，并设计k₁为一固定值，a与第一阶段值相同，k₂为第一段的所用函数；

第三阶段：当血糖浓度小于阈值G_L时，设计k₁和a与第二阶段的值相同，k₂为一固定值。