一种基于自适应广义预测控制的闭环胰岛素输注系统
技术领域
本发明涉及胰岛素泵输注量估算领域，更具体地，涉及一种基于自适应广义预测控制的闭环胰岛素输注系统。
背景技术
当下全球约有4.22亿成年人患有糖尿病，并且每年造成150万人死亡。1型糖尿病，又被称为胰岛素依赖型糖尿病，主要特征为胰腺部位胰岛素分泌细胞的凋亡以及胰岛素分泌不足。虽然1型糖尿病的确切诱因并不明确，但是通过日常的胰岛素输注可以有效的控制糖尿病患者的血糖水平，从而提高患者的生存质量。人工胰腺能够有效的检测糖尿病患者的血糖水平，并且精确计算出胰岛素的输注时间和输注量。人工胰腺主要包括三个部分：连续血糖检测(CGM)，智能控制系统和胰岛素泵。
智能控制系统是整个人工胰腺的核心，直接决定了血糖控制的准确性和有效性，现在已经有多种控制理论应用于人工胰腺的智能控制系统，例如比例微积分控制算法、模型预测控制算法、模糊逻辑控制算法以及广义预测控制算法等等。
比例微积分控制(Proportional Integral Derivative,PID)是广泛应用于工业领域的控制算法。该控制算法已经被成功移植到人工胰腺系统中，并且展现出良好的闭环控制效果。基于PID设计的智能控制系统拥有简约的结构、较少的参数设置和较高的鲁棒性。但是人工胰腺中的PID控制器需要加入增益调节和前反馈操作，并要求患者手动输入进餐信息。上述操作严重限制了PID控制算法的应用，并且给患者的血糖控制带来较多不便。
模糊逻辑(Fuzzy Logic，FL)控制算法广泛应用于智能控制领域，其在人工胰腺系统中也得到了广泛的应用。其设计原理和过程主要包括以下几步：1、通过对临床糖尿病治疗长期实践积累的经验进行总结分析，建立专家知识库；2、运用模糊数学的基本理论和方法，把临床治疗经验规则的条件、操作用模糊集表示，并把这些模糊控制规则及有关信息(如临床评价指标等)作为知识存入专家知识库中；3、根据实时监测的血糖数据，运用模糊推理，得出相适应的胰岛素输注剂量参数。FL控制算法依托临床专家将临床糖尿病治疗长期实践积累的经验知识建立为专家知识库，转化为模糊逻辑控制规则，符合临床治疗的常规经验，易于为临床医生所理解。但是采用模糊逻辑控制算法，在归纳模糊规则和选取模糊隶属度函数主要依靠经验，具有较大的主观性，存在模糊区间的不易划分、响应不够及时的缺点，这给模糊控制的发展及进一步推广带来很大阻碍。
模型预测控制(Model Predictive Control,MPC)在人工胰腺智能控制系统中也得到了广泛的应用。该算法使用详细的模型来描述动态系统的行为。基于MPC的人工胰腺智能控制系统能够准确的预测进餐的影响，并有效调节糖尿病患者的血糖水平。但是MPC控制器严重依赖于模型的准确性。人体代谢模型非常复杂，计算量很大，至今仍没有一个完美的模型能够准确描述血糖-胰岛素的动态关系。
基于广义预测控制(Generalized Predictive Control，GPC)的人工胰腺智能控制系统设计是当下的研究热点。作为一种自适应控制算法，广义预测控制克服了MPC算法的模型依赖缺陷，并且可以在缺少初始条件和系统描述的情况下自动调节控制模型的参数。基于GPC的人工胰腺智能控制器可以通过读取CGM检测的血糖信息预测未来的血糖变化，并通过追踪参考曲线和最小方差控制获取理想的胰岛素输注速率。具体而言，其具有以下特点：①采用基于受控自回归积分滑动平均模型(Controlled Auto-Regressive IntegratedMoving-Average,CARIMA)进行血糖预测；②目标函数中对控制增量加权的考虑；③利用输出的远程预报；④控制时域长度概念的引入。相较于已有的比例微积分控制算法、模糊逻辑控制算法和模型控制算法，广义预测控制易于实现，并且不需要丰富的临床医学知识构建专家数据库和进行模型搭建。
人工胰腺目前所面临的主要问题是糖尿病患者的个性化治疗问题。例如，青少年和儿童糖尿病患者相较于成人糖尿病患者而言有着更低的胰岛素敏感度，需要更高的胰岛素输注速率。同时糖尿病患者一日三餐的进食量存在差异和波动，要求人工胰腺智能控制系统可以进行实时的判断和微调。广义预测控制在解决人工胰腺的个体化治疗方面有着独特的优势。这是因为广义预测控制是一种自适应算法，其模型参数可以实现在线实时调节。参考曲线是广义预测控制的追踪对象，直接决定了控制的效果。而成年人、青少年和儿童有着不同的胰岛素敏感性，如果采用统一的参考曲线，难以在各个群体中都取得良好的控制效果。但是如果针对不同人群采用不同的参考曲线又增加了系统的复杂性，并且降低了使用的便利性。而柔化因子直接决定了广义预测控制对于参考曲线的追踪速度。较低的柔化因子可以保证广义预测控制具有较高的追踪速度，但是却影响了系统的鲁棒性。表现为人工胰腺系统虽然可以快速响应血糖变化，却存在系统稳定性差的缺陷。反之，较高的柔化因子可以保证系统的鲁棒性，但是却牺牲了系统的追踪速度。表现为人工胰腺系统虽然较为稳定，却对血糖的波动反应迟钝。由于胰岛素敏感性的不同，成年人、青少年和儿童患者需分别采用不同的柔化因子数值，甚至针对同一患者不同时间的进餐量也需要进行柔化因子的微调。
发明内容
为更好的实现人工胰腺系统的个体化治疗问题，本专利提出了一种基于自适应广义预测控制的闭环胰岛素输注系统，在传统广义预测控制的基础上对其中的参考曲线和柔化因子进行了进一步的优化，设计了自适应柔化因子策略，其能够根据个体实时的血糖波动自动生成适宜的柔化因子数值，从而增强了人工胰腺的个性化治疗效果，并提出了自适应参考曲线策略，其能够根据实时的血糖波动自动生成适用于自身的参考曲线。
本发明的技术方案如下：
一种基于自适应广义预测控制的闭环胰岛素输注系统，包括血糖值检测模块、控制器、胰岛素泵和程序模块，其中，
所述的血糖值检测模块用于采集使用者的血糖值，血糖值检测模块的输出端与控制器的输入端信号连接；
所述的胰岛素泵用于给使用者输注胰岛素，所述的胰岛素泵的输入端与控制器的输出端信号连接；
所述的程序模块被控制器执行，程序模块通过血糖值检测模块采集使用者的血糖值，结合CARIMA模型、最小方差控制算法、自适应参考曲线和自适应柔化因子调节胰岛素泵的输注速率。
在一种优选的方案中，所述的程序模块被控制器执行，包括以下步骤：
步骤S1：通过血糖值检测模块采集当前的使用者的血糖值；
步骤S2：根据使用者当前的血糖值，通过CARIMA模型和丢番图方程得到使用者未来的血糖变化的预测值；
步骤S3：根据使用者未来的血糖变化的预测值，通过最小方差控制算法计算胰岛素泵的胰岛素注射速率增量；其中，最小方差控制算法使用的参考曲线是自适应参考曲线，最小方差控制算法使用的柔化因子是自适应柔化因子，所述的自适应参考曲线会根据使用者的血糖水平调节参考曲线的斜率，所述的自适应柔化因子会根据血糖值的变化而调节自身数值的大小；
步骤S4：基于闭环控制的思想，对胰岛素泵的胰岛素注射速率增量进行迭代优化。
在一种优选的方案中，所述步骤S2中，所述CRIMA模型如下式(1)所示；
A(z-1)y(k)＝B(z-1)u(k-1)+C(z-1)ξ(k)/Δ(1)
其中，
A(z-1)为y(k)的系数，A(z-1)＝1+a1z-1+…+anaz-na，决定了预测过程中纳入CRIMA模型的过往血糖值的时间范围和各时刻血糖值的权重；
B(z-1)为u(k-1)的系数，B(z-1)＝b0+b1z-1+…+bnbz-nb，决定了预测过程中纳入CRIMA模型的过往胰岛素输注速率值的时间范围和各时刻胰岛素输注速率的权重；
C(z-1)为ξ(k)的系数，C(z-1)＝1+c1z-1+…+cncz-nc，决定了预测过程中纳入CRIMA模型的白噪音的时间范围和权重；
其中，所述的y(k)表示使用者在k时刻的血糖值，单位为mg/dl；
所述的u(k-1)为k-1时刻的胰岛素注射速率，单位为pmol/step；
所述的ξ(k)为均值为零的白噪声；
所述的Δ＝(1-z-1)表示积分因子；
所述的z-1为后移算子，例如z-1y(k)＝y(k-1)；A(z-1)为y(k)的系数，决定了预测过程中纳入CRIMA模型的过往血糖值的时间范围和各时刻血糖值的权重。
所述的na、nb、nc均表示模型的阶数，分别决定了纳入CRIMA模型的过往血糖值的时间范围、过往胰岛素输注速率值的时间范围和白噪音的时间范围，优选的，此处取值分别为3，5，1。
所述的a1～ana，b0～bnb和c1～cnz均为可在线实时优化的模型参数，分别决定了纳入CRIMA模型的过往各时刻血糖值的权重、过往胰岛素输注速率值的权重和白噪音的权重，可在模型初始化时赋予初值；此处分别赋予初值a1＝1，a2＝0，a3＝0，b1＝0.5，b2＝0.5，b3＝0.5，b4＝0.5，b5＝0.5，c1＝1。
为了预测超前j步的血糖变化，引入丢番图方程；所述丢番图方程如下式(2)所示：
1＝Ej(z-1)A(z-1)Δ+Fj(z-1)z-j(2)
其中，
Ej(z-1)为A(z-1)Δ的系数，Ej(z-1)＝ej0+ej1z-1+…+ej-1z-j+1；
Fj(z-1)为z-j的系数，Fj(z-1)＝fj0+fj1z-1+…+fjnz-n；
其中，所述的Ej(z-1)和Fj(z-1)是由是由模型参数A(z-1)和预测步长j唯一确定的多项式；所述的A(z-1)与式(1)中A(z-1)为同一物理量，数值相同；所述的Δ＝(1-z-1)，表示积分因子；所述的z-1代表后移算子；z-j+1表示后移j-1步的算子；z-j表示后移j步的算子；所述的z-n表示后移n步的算子；所述的ej0～ej-1和fj0～cjn均为可在线实时优化的参数，其中j为预测步长，n表示最大预测长度，n＝8。预测步长j＝1，2…n。
在一种优选的方案中，所述步骤S2中所述的根据使用者当前的血糖值，通过CARIMA模型和丢番图方程得到使用者未来的血糖变化的预测值的具体操作为：
通过CARIMA模型和丢番图方程，将式(1)两边同时乘以Ej(z-1)Δ后，式(2)可得k时刻超前j步的血糖值的预测值为：
y(k+j)＝Gj(z-1)Δu(k+j-1)+Fj(z-1)y(k)(j＝1，2…n)(3)
Gj(z-1)＝Ej(z-1)B(z-1)
式(3)中，所述的y(k+j)表示使用者在k时刻超前j步的血糖值的预测值，单位为mg/dl；
所述的Δu(k+j-1)表示胰岛素泵在k时刻的胰岛素注射速率增量，单位为pmol/step；
所述的Gj(z-1)为Ej(z-1)与B(z-1)的乘积，表示k时刻至k+j-1时刻之间胰岛素注射速率增量在预测k时刻超前j步血糖值中的权重；
所述的y(k)表示使用者在k时刻的血糖值，单位为mg/dl；
所述的Ej(z-1)和Fj(z-1)均表示式(3)的系数，与式(2)中Ej(z-1)和Fj(z-1)起到同样的系数作用，且数值相同，式(3)的Ej(z-1)和Fj(z-1)是由式(1)和式(2)求解而得的，其中Ej(z-1)为B(z-1)的系数，Fj(z-1)为y(k)的系数；
所述的B(z-1)为式(1)中u(k-1)的系数，决定了预测过程中纳入CRIMA模型的过往胰岛素输注速率值的时间范围和各时刻胰岛素输注速率的权重。
在一种优选的方案中，所述步骤S3中所述的根据使用者未来的血糖变化的预测值，通过最小方差控制算法模型计算胰岛素泵的胰岛素注射速率增量包括以下内容：
式(4)中，Δu(k+j-1)表示胰岛素泵在时刻超前步时的胰岛素注射速率增量单位为pmol/step；所述的J为控制目标，当J取最小值时，即可确定Δu(k+j-1)数值；
所述的n表示最大预测长度，n＝8；
所述的λ表示控制加权因子，λ＝3；
所述的m表示胰岛素输注的控制长度，m＝5；
所述的y(k+j)表示使用者在k时刻超前j步的血糖值的预测值，单位为mg/dl；
所述的w(k+j)由k时刻的血糖值y(k)和参考曲线yr计算而得，具体通过下式进行表达：
w(k+j)＝αjy(k)+(1-αj)yr(j＝1，2，…，n)
上式(5)可进一步表达为向量形式：
W＝Qy(k)+Myr
所述的yr表示自适应参考曲线；所述的W通过下式进行表达：
W＝[w(k+1)，w(k+2)，…，w(k+n)]T
所述的Q通过下式进行表达：
Q＝[α，α2，…，αn]T
所述的α表示自适应柔化因子；
所述的M通过下式进行表达：
M＝[1-α，1-α2，…，1-αn]T。
在一种优选的方案中，所述的自适应参考曲线根据当前血糖浓度的参数，结合当前血糖浓度的变化量，设定了自适应参考曲线的不同的下降斜率；若血糖浓度低于设定的阈值时，自适应参考曲线的下降斜率为0。
在一种优选的方案中，所述的自适应参考曲线包括以下流程：
流程1：在预设的时间段内，若血糖变化的速率>k0mg/dl/step，则定义为血糖急剧上升；若血糖变化的速率介于k1mg/dl/step～k0mg/dl/step，则定义为血糖缓慢波动；若血糖变化的速率小于k1mg/dl/step，则定义为血糖急剧下降；
其中，所述的k1为人为设定的预设值；所述的k0为人为设定的预设值，且k0>k1，k0>0mg/dl/step,k1<0mg/dl/step；
流程2：进行以下判断：
若血糖浓度高于ζ1时，自适应参考曲线的下降斜率设定为k4mg/dl/step；所述的ζ1为人为设定的预设值，单位为mg/dl；所述的k4为人为设定的预设值，k4≥0mg/dl/step；
若血糖浓度介于ζ2～ζ1时，所述的ζ2为人为设定的预设值，ζ2<ζ1；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为k5mg/dl/step；所述的k5为人为设定的预设值；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为k6mg/dl/step；所述的k6为人为设定的预设值；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；所述的k5>k6≥0mg/dl/step；
若血糖浓度介于ζ3～ζ2时，所述的ζ3为人为设定的预设值，ζ2>ζ3；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为k7mg/dl/step；所述的k7为人为设定的预设值；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为k8mg/dl/step；所述的k8为人为设定的预设值；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；所述的k7>k8≥0mg/dl/step，且k5≥k7，k6≥k8；
若血糖浓度低于ζ3时，则自适应参考曲线固定设置为常数ζ，即斜率为0mg/dl/step。
在一种优选的方案中，所述自适应柔化因子的获得包括以下步骤：
步骤A：人为设定血糖期望值
步骤B：根据当前的使用者k时刻的血糖值y(k)，计算当前的使用者的血糖值与血糖期望值的偏离度u；所述的偏离度u通过下式进行表达：
其中，所述的y(k)为k时刻使用者的血糖浓度，单位为mg/dl；
所述的
步骤C：计算当前的使用者的血糖值的变化量Δy，所述的变化量Δy通过下式进行表达：
Δy＝y(k)-y(k-1)；
其中，所述的y(k)为k时刻使用者的血糖浓度，单位为mg/dl；
所述的y(k-1)表示前一时刻的使用者的血糖值，单位为mg/dl。
步骤D：通过偏离度u和变化量Δy计算自适应柔化因子α；所述的自适应柔化因子α通过下式进行表达：
α＝u-|Δy|(u≥1)。
在一种优选的方案中，所述步骤S4中，“基于闭环控制的思想，对胰岛素泵的胰岛素注射速率增量进行迭代优化”具体包括以下子步骤：
步骤S4-1：将胰岛素泵的胰岛素注射速率增量作为CARIMA模型的输入值，对使用者未来的血糖变化的预测值进行更新；
步骤S4-2：根据更新后的使用者未来的血糖变化的预测值作为最小方差控制算法的输入，更新胰岛素泵的胰岛素注射速率增量；其中，最小方差控制算法使用的参考曲线是自适应参考曲线，最小方差控制算法使用的柔化因子是自适应柔化因子，所述的自适应参考曲线会根据使用者的情况调节参考曲线的斜率，所述的自适应柔化因子会根据血糖值的变化而调节自身数值的大小；
步骤S4-3：循环执行S4-1～S4-2，实现对胰岛素泵的胰岛素注射速率增量进行迭代优化。
在一种优选的方案中，所述的胰岛素输注装置还包括通信模块，所述的通信模块与控制器双向电连接。
本优选方案中，通信模块用于将使用者的血糖值和胰岛素注射速率增量发送到远方系统/医护工作者系统，方便医护工作者随时监控使用者的血糖变化。
在一种优选的方案中，所述的程序模块还包括远程医疗接入功能，所述的远程医疗接入功能包括以下内容：
若医护人员通过使用者的血糖值和胰岛素泵的胰岛素注射速率增量，判断需要介入控制胰岛素输注时，可以通过通信模块输入胰岛素泵的输注量的相应的指令代码，该指令代码具有优先级，控制器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。
与现有技术相比，本发明技术方案的有益效果是：
1、本发明相较于已有的比例微积分控制、模糊逻辑控制和模型预测控制，本发明搭建较为容易且不需要手动输入进餐信息；
2、本发明采用了CARIMA预测模型、最小方差控制算法、闭环反馈校正和参数滚动优化，从而保证了预测的准确性和控制的有效性；
3、本发明采用了自适应参考曲线，该策略考虑了不同个体之间血糖波动的差异性，可以为不同个体实时生成不同的参考曲线，从而实现了个性化的胰岛素输注量。
4、本发明使用了自适应柔化因子，该策略增强了人工胰腺的个性化治疗效果，同时保证了控制系统的鲁棒性和灵敏度。当血糖值较为稳定时，本发明能够保证具有较高的鲁棒性；而在血糖值迅速升高或者降低时，本发明能够提高反应灵敏度，迅速追踪参考曲线并有效调节胰岛素的输注速率。
附图说明
图1为实施例的结构示意图。
图2为实施例的控制原理图。
图3为实施例的自适应参考曲线的示意图。
图4为实施例的自适应柔化因子的示意图。
图5为传统广义预测控制算法的实验结果。
图6为只采用自适应参考曲线的实验结果。
图7为只采用自适应柔化因子的实验结果
图8为实施例的实验结果
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1和图2所示，一种基于自适应广义预测控制的闭环胰岛素输注系统，包括血糖值检测模块、控制器、胰岛素泵、TF卡和程序模块，其中，
控制器的芯片型号是ARM920T芯片；
血糖值检测模块用于采集使用者的血糖值，血糖值检测模块的输出端与ARM920T芯片的输入端信号连接；
胰岛素泵用于给使用者输注胰岛素，胰岛素泵的输入端与ARM920T芯片的输出端信号连接；
程序模块存储在TF卡中，且被ARM920T芯片执行，包括以下步骤：
步骤S1：根据当前的使用者的血糖值，通过CARIMA模型和丢番图方程得到未来的使用者的血糖变化的预测值；
CRIMA模型描述如下；
A(z-1)y(k)＝B(z-1)u(k-1)+C(z-1)ξ(k)/Δ(1)
其中，
A(z-1)为y(k)的系数，A(z-1)＝1+a1z-1+…+anaz-na；
B(z-1)为u(k-1)的系数，B(z-1)＝b0+b1z-1+…+bnbz-nb；
C(z-1)为ξ(k)的系数，C(z-1)＝1+c1z-1+…+cncz-nc；
其中，所述的y(k)表示使用者在k时刻的血糖值，单位为mg/dl；所述的u(k-1)为k-1时刻的胰岛素注射速率，单位为mg/dl；所述的ξ(k)为均值为零的白噪声；所述的Δ＝(1-z-1)表示积分因子；所述的z-1为后移算子；所述的na、nb、nc均表示模型的阶数，此处取值分别为3，5，1。所述的a1～ana，b0～bnb和c1～cnz均为可在线实时优化的模型参数，此处分别赋予初值a1＝1，a2＝0，a3＝0，b1＝0.5，b2＝0.5，b3＝0.5，b4＝0.5，b5＝0.5，c1＝1。
为了预测超前j步的血糖变化，引入丢番图方程；所述丢番图方程如下式(2)所示：
1＝Ej(z-1)A(z-1)Δ+Fj(z-1)z-j(2)
Ej(z-1)＝ej0+ej1z-1+…+ej-1z-j+1
Fj(z-1)＝fj0+fj1z-1+…+fjnz-n
其中，Ej(z-1)为A(z-1)Δ的系数，Ej(z-1)＝ej0+ej1z-1+…+ej-1z-j+1；
Fj(z-1)为z-j的系数，Fj(z-1)＝fj0+fj1z-1+…+fjnz-n；
其中，所述的Ej(z-1)Ej(z-1)和Fj(z-1)是由是由模型参数A(z-1)和预测步长j唯一确定的多项式；所述的A(z-1)与式(1)中A(z-1)为同一物理量，数值相同；所述的Δ＝(1-z-1)，表示积分因子；所述的z-j+1表示后移j-1步的算子，所述的z-1代表后移算子；所述的z-j表示后移j步的算子；所述的z-n表示后移n步的算子；所述的ej0～ej-1和fj0～cjn均为可在线实时优化的参数，其中j为预测步长，n表示最大预测长度，n＝8。预测步长j＝1,2…n。
通过CARIMA模型和丢番图方程，得到以下方程：
y(k+j)＝Gj(z-1)Δu(k+j-1)+Fj(z-1)y(k)(j＝1,2…n)(3)
Gj(z-1)＝Ej(z-1)B(z-1)
式(3)中，所述的y(k+j)表示使用者在k时刻超前j步的血糖值的预测值，单位为mg/dl；所述的Δu(k+j-1)表示胰岛素泵在k时刻的胰岛素注射速率增量，单位为pmol/step；
所述的Gj(z-1)为Ej(z-1)与B(z-1)的乘积，表示k时刻至k+j-1时刻之间胰岛素注射速率增量在预测k时刻超前j步血糖值中的权重；
所述的y(k)表示使用者在k时刻的血糖值，单位为mg/dl；
所述的Ej(z-1)和Fj(z-1)均表示式(3)的系数，其中Ej(z-1)为B(z-1)的系数，Fj(z-1)为y(k)的系数；
所述的B(z-1)为式(1)中u(k-1)的系数。
步骤S2：根据步骤S1的使用者未来的血糖变化的预测值，通过最小方差控制算法计算胰岛素泵的胰岛素注射速率增量；其中最小方差控制算法使用柔化因子是自适应柔化因子；
式(4)中，所述的Δu(k+j-1)表示胰岛素泵在k时刻超前j-1步时的胰岛素注射速率增量单位为pmol/step；J为控制目标，当J取最小值时，即可确定Δu(k+j-1)数值；
所述的n表示最大预测长度，n＝8；
所述的λ表示控制加权因子，λ＝3；
所述的m表示胰岛素输注的控制长度，m＝5；
所述的w(k+j)通过下式进行表达：
w(k+j)＝αjy(k)+(1-αj)yr(j＝1，2，…，n)
上式(5)可进一步表达为向量形式
W＝Qy(k)+Myr
所述的yr表示自适应参考曲线；W通过下式进行表达：
W＝[w(k+1)，w(k+2)，…，w(k+n)]T
所述的Q通过下式进行表达：
Q＝[α，α2，…，αn]T
所述的α表示自适应柔化因子；
所述的M通过下式进行表达：
M＝[1-α，1-α2，…，1-αn]T；
如图3所示，自适应参考曲线包括以下流程：
流程1：在1分钟内，若血糖变化的速率>5mg/dl，则定义为血糖急剧上升；若血糖变化的速率介于-5mg/dl～5mg/dl，则定义为血糖缓慢波动；若血糖变化的速率小于-5mg/dl，则定义为血糖急剧下降；
流程2：进行以下判断：
若血糖浓度高于180mg/dl时，自适应参考曲线的下降斜率设定为20mg/dl/step；
若血糖浓度介于160mg/dl-180mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为10mg/dl/step；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为5mg/dl/step；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0；
若血糖浓度介于130mg/dl-160mg/dl时；根据血糖的变化情况，进行以下选择：
若存在血糖急剧上升的情况，则自适应参考曲线的下降斜率设定为5mg/dl/step；
若存在血糖缓慢波动的情况，则自适应参考曲线的下降斜率设定为1mg/dl/step；
若存在血糖急剧下降的情况，则自适应参考曲线的下降斜率设定为0mg/dl/step；
若血糖浓度低于130mg/dl时，则自适应参考曲线固定设置为130mg/dl/step；
如图4所示，自适应柔化因子包括以下内容：
步骤A：设定血糖期望值
步骤B：根据当前的使用者k时刻的血糖值y(k)，计算当前的使用者的血糖值与血糖期望值的偏离度u，偏离度u通过下式进行表达：
步骤C：计算当前的使用者的血糖值的变化量Δy，变化量Δy通过下式进行表达：
Δy＝y(k)-y(k-1)；
步骤D：通过偏离度u和变化量Δy计算自适应柔化因子α，自适应柔化因子α通过下式进行表达：
α＝u-|Δy|；
例如，若患者k-1时刻的血糖值y(k)＝168mg/dl，k时刻的血糖值y(k)＝170mg/dl.则k时刻的血糖变化量Δy＝2mg/dl.若血糖期望值
步骤S3：基于闭环控制的思想，对胰岛素泵的胰岛素注射速率增量进行迭代优化；
S3-1：将胰岛素泵的胰岛素注射速率增量作为CARIMA模型的输入值，对使用者未来的血糖变化的预测值进行更新；
S3-2：根据更新后的使用者未来的血糖变化的预测值作为最小方差控制算法的输入，更新胰岛素泵的胰岛素注射速率增量；其中，最小方差控制法使用的参考曲线是自适应参考曲线，最小方差控制算法使用的柔化因子是自适应柔化因子，自适应参考曲线会根据使用者的情况调节参考曲线的斜率，自适应柔化因子会根据血糖值的变化而调节自身数值的大小；
S3-3：循环执行S3-1～S3-2，实现对胰岛素泵的胰岛素注射速率增量进行迭代优化。
本实施例的测试环境：
将本实施例植入美国FDA批准的可代替动物实验的糖尿病模拟治疗测试软件T1DMS中，并对算法进行性能测试。软件T1DMS为美国FDA批准的唯一可用于代替动物实验的糖尿病治疗测试软件。该软件包括了100个虚拟的糖尿病成人患者、100个青少年患者和100个儿童患者模型，并提供了虚拟的CGMS和胰岛素泵。测试过程中，只需要将控制算法植入测试平台，选定测试对象并设定进餐计划和监测指标，就可以观察其胰岛素泵的血糖控制效果。
本实施例的实验结果：
如图3所示，当血糖急剧上升时，例如急剧增加到180mg/dl，实施例中参考曲线会采用较高的斜率数值；当血糖在130mg/dl-160mg/dl之间波动时，实施例中参考曲线会采用较低的斜率数值；当血糖急剧下降时，例如急剧增加到180mg/dl，实施例中参考曲线的斜率数值将设为0mg/dl。
如图4所示，当血糖水平位于130mg/dl左右波动时，实施例采用较高的自适应柔化因子数值，实施例对于血糖波动的敏感性不高并具有较高的鲁棒性；当血糖发生显著上升或者下降时，例如血糖显著增加到170mg/dl左右，实施例会采用较低的自适应柔化因子数值，此时实施例对于血糖波动具有较高的敏感度，可以快速追踪参考曲线并迅速调节胰岛素的输注速率。
如图5、图6、图7和图8所示，患有糖尿病青少年的实验结果。图5显示了基于传统广义预测控制算法的血糖控制效果，其柔化因子设为固定值0.5，参考曲线的下降斜率设定为固定值5mg/dl/step(66％)；图6显示了只采用自适应参考曲线的实验结果,其柔化因子设为固定值0.5(93％)；图7显示了只采用自适应柔化因子的实验结果，其参考曲线的下降斜率设定为固定值5mg/dl/step(95％)；图8显示了本实施例的血糖控制效果(97％)。该测试结果清晰的表明，本实施例相对于前三种算法能够更加稳定使用者的血糖水平。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
例如“ARM920T芯片”、“TF卡”的名词，仅仅是实施例中的一个示例，所有能实现类似效果的部件/组建，都属于本专利的保护范围。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。例如，针对不同的年龄段的使用者(成人患者、青少年患者和儿童患者)，可以设置不同的自适应曲线。或者针对不同的年龄段的使用者(成人、青少年患和儿童)，可以设置不同的自适应柔化因子计算模型，如指数模型或者对数模型，使得自适应柔化因子更恰合患者本身，更有利于稳定血糖值。在患者使用本实施例时进行选择，使得自适应参考曲线和自适应柔化因子更恰合患者本身，达到更好的治疗效果。又或者，若控制器芯片自带有存储功能，可以将程序模块存储在控制器中，不一定需要外设存储模块(如TF卡)进行程序存储。又或者，可以在实施例的基础上增加通信模块(如4G通信模块)，通信模可以将使用者的血糖值和胰岛素泵的输注速率发送到远方系统/医护工作者系统，方便医护工作者随时监控使用者的血糖变化；若医护人员通过使用者的血糖值和胰岛素泵的输注速率，判断需要介入控制胰岛素输注时，可以通过通信模块输入胰岛素泵的输注量的相应的指令代码，该指令代码具有优先级，ARM920T芯片会优先按照医护工作者的指令代码，胰岛素注射速率增量。
这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
