基于神经网络反馈线性化闭环胰岛素输注控制方法及系统

本技术涉及医疗器械，特别涉及一种基于神经网络反馈线性化闭环胰岛素输注控制方法及系统。

背景技术：

1、胰岛素闭环输注系统，又被称为人工胰腺，是一种有效的糖尿病治疗手段。人工胰腺主要包括连续血糖监测系统(cgms)、智能控制算法和胰岛素泵(ip)三个部分。cgms系统负责监控患者的血糖变化，智能控制算法则根据检测的血糖数据计算出恰当的胰岛素输注速率并控制胰岛素泵完成胰岛素输注。在整个系统中，智能控制算法发挥着决定性的核心作用。迄今为止已经有多种有效的控制算法应用于闭环人工胰腺控制系统。

2、传统的智能控制算法多采用线性模型描述糖尿病患者的血糖-胰岛素关系。虽然线性模型较为容易搭建且稳定性强，但是在患者的个性化治疗方面却存在较大问题。以模型预测控制为例，通过采集患者的体重和胰岛素敏感度等数据所搭建的血糖-胰岛素代谢模型往往难以适用于全部糖尿病患者。代谢旺盛和激素分泌水平的青少年往往有着更高的胰岛素抗性，同时，个体患者的血糖-胰岛素代谢也受到运动和心情等多方面因素的影响。所以线性血糖-胰岛素代谢模型的在实际的使用中往往存在着较大的局限性。

3、而且当前人工胰腺作为胰岛素连续输注装置，存在以下问题：(1)皮下注射的胰岛素需要经历一段时间才能够到达血液中发挥作用。(2)胰岛素需要在体内会持续发挥降血糖的作用，直至被完全代谢掉。如果人工胰腺系统只是针对患者血糖调整胰岛素注射速率，那么在患者进餐之后的初期往往会出现胰岛素输注过量情况，这种胰岛素积累往往会在后期造成患者的低血糖风险增加。

技术实现思路

1、本发明提供了一种基于神经网络反馈线性化闭环胰岛素输注控制方法及系统，通过选取了非线性自回归移动平均值模型narma描述患者的血糖-胰岛素关系，并通过泰勒级数展开方式实现上述模型的反馈线性化。在模型的求解过程中，保留了模型中的非线性函数并通过神经网络模型逼近上述非线性函数。因此，本发明中所提出的基于神经网络反馈线性化闭环胰岛素输注控制方法及系统不仅具有线性模型的稳定性，同时还具备神经网络的学习能力，其能够在更广泛的患者群体中取得良好的血糖控制效果。

2、具体的，本发明中所述的基于神经网络反馈线性化闭环胰岛素输注控制方法，包括：

3、s1：实时监测人体血糖参数并记录患者胰岛素输注速率。

4、s2：根据监测结果，基于神经网络闭环胰岛素输注控制模型，计算得胰岛素输注参数，根据所述胰岛素输注参数计算得真实胰岛素输注速率。

5、s3：根据所述真实胰岛素注射速完成本轮胰岛素输注，返回s1进入下一轮自动监控。

6、本发明采用非线性自回归移动平均值模型narma构建患者血糖-胰岛素关系，并计算胰岛素输注速率。在模型的求解过程中采用泰勒级数展开方式实现模型的反馈线性化并采用神经网络逼近其中的非线性函数。本发明中设计了活性胰岛素估计模块，通过患者的生理参数选择合适的胰岛素代谢曲线进而实时计算患者体内的活性胰岛素残留量，从而实时修正胰岛素输注速率，避免患者发生低血糖现象。

7、在一些实现方式中，所述步骤s2，具体为：

8、s21：构建神经网络闭环胰岛素输注控制模型：采用非线性自回归移动平均值模型(nonlinear autoregressive moving average，narma)构建患者血糖和胰岛素关系，并采用泰勒级数展开方式对narma模型反馈线性化。

9、s22：采用神经网络模型对所述narma模型进行训练和参数调优，以逼近非线性函数。

10、s23：引入参考曲线进行所述narma模型求解，获得理论胰岛素输注速率。

11、s24：引入活性胰岛素估计模块，实时计算患者体内的活性胰岛素量。

12、其中，所述理论胰岛素输注速率与活性胰岛素量之差即为真实胰岛素输注速率。

13、在一些实现方式中，所述步骤s21具体为：

14、y(k+d)＝n[y(k)，y(k-1)，…，y(k-n+1)，u(k)，u(k-1)，…u(k-n+1)]。

15、采用泰勒级数展开方式对narma模型反馈线性化：

16、y(k+d)＝f[y(k)，y(k-1)，…，y(k-n+1)，u(k)，…u(k-n+1)]+g[y(k)，y(k-1)，…，y(k-n+1)，u(k)，…，u(k-n+1)]·u(k+1)。

17、式中，y(k)是患者k时刻的血糖数值；y(k+d)是k+d时刻的血糖数值，d是预测步长，d≥2；n是需要通过神经网络来逼近的非线性函数；u(k)是k时刻的理论胰岛素输注速率；n是输入和输出的测量阶数，n≥2。

18、在一些实现方式中，在步骤s22之前还包括：进行系统辨识。

19、根据历史数据对所述神经网络模型进行离线训练；所述历史数据包括血糖数据和胰岛素输注速率数据。

20、在离线训练时，自适应调整神经网络模型的内部神经元的权重，迭代训练k次或迭代至预测血糖值与当前监测血糖数值差值在预设范围内，则结束本轮离线训练。

21、在一些实现方式中，所述步骤s23包括：

22、令y(k+d)＝yr(k+d)，使得患者k+d时刻的血糖数据跟随目标曲线k+d时刻的数值，则步骤s21中的narma模型可以改写为：

23、

24、其中，u(k+1)即为所求的理论胰岛素输注速率。

25、在一些实现方式中，所述步骤s23还包括：参考曲线yr采用分段设计形式，具体如下：

26、若当下的患者血糖y(t)高于血糖预警值则参考曲线yr的斜率为-xk1。

27、若当下的患者血糖y(t)低于血糖预警值而高于血糖期望值则参考曲线yr的斜率为-xk2。

28、若当下的患者血糖y(t)低于血糖期望值则参考曲线yr的斜率为0。

29、其中，x>1,k1>k2>0。

30、在一些实现方式中，所述步骤s24包括：

31、根据胰岛素代谢曲线，分为t1～tn分钟代谢曲线，分别对应n种生理状态。

32、根据不同生理状态下的生理参数计算患者体内的活性胰岛素量。

33、所述生理参数至少为心率和脉搏；所述生理状态至少为睡眠、静息、日常和运动。

34、第二方面，本发明还提供一种基于神经网络反馈线性化闭环胰岛素输注控制系统，所述系统至少包括：

35、数据监测单元，用于实时监测人体血糖参数并记录患者胰岛素输注速率。

36、第一计算单元，采用narma模型构建患者血糖和胰岛素关系，并采用泰勒级数展开方式对narma模型反馈线性化，采用神经网络模型对所述narma模型进行训练和参数调优，以逼近非线性函数，引入参考曲线进行所述narma模型求解，获得理论胰岛素输注速率；引入活性胰岛素估计模块，实时计算患者体内的活性胰岛素量；

37、第二计算单元，用于根据监测结果，基于神经网络闭环胰岛素输注控制模型，计算得真实胰岛素输注速率；

38、输注单元，用于根据所述真实胰岛素输注速率控制输注量。

39、在一些实现方式中，所述控制系统，还包括：辨识单元。

40、所述辨识单元，根据历史数据对所述神经网络模型进行离线训练，通过自适应调整神经网络模型的内部神经元的权重，迭代训练k次或迭代至预测血糖值与当前监测血糖数值差值在预设范围内。

41、第三方面，本发明还提供一种胰岛素输注设备，所述设备至少包括：

42、记录模块，用于在输注开始之后记录本次输注进度；

43、发送模块，用于向控制器发送泵体缓存的最近一次输注历史记录，以及用于向控制器发送泵体缓存的所有输注历史记录；

44、接收模块，用于接收控制器发来的输注指令；

45、所述控制器用于根据如上所述的基于神经网络反馈线性化闭环胰岛素输注控制方法完成输注。

46、作为另一优选的，本发明还提供一种存储介质，为计算机可读存储介质中的一种，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述基于神经网络闭环胰岛素输注控制方法。

47、在一种优选的方案中，所述的计算机程序还支持远程医疗接入功能，所述的远程医疗接入功能包括以下内容：

48、若医护人员通过使用者的血糖值和胰岛素泵的胰岛素输注速率增量，判断需要介入控制胰岛素输注时，可以通过通信模块输入控制模块的相应的指令代码，该指令代码具有优先级，控制模块会优先按照医护工作者的指令代码，控制胰岛素泵的输注速率。

49、与现有技术相比，本发明技术方案的有益效果是：

50、1、相较于已有的人工胰腺智能控制算法，本发明采用了线性化控制方法，易于搭建且模型稳定。

51、2、本发明采用了神经网络逼近模型中的非线性函数，增强了模型的学习能力并增加了人工胰腺系统对于不同患者的普适性

52、3、本发明中采用了活性胰岛素估计模块实时修正患者胰岛素输注速率，进一步降低了患者的低血糖风险，增加人工胰腺系统的安全性。