مدلسازی و کنترل خودکار قند خون با استفاده از الگوریتمهای یادگیری عمیق در پانکراس مصنوعی

دیابت نوع ۱ یکی از اختلالات مزمن متابولیکی است که کنترل مداوم قند خون در بیماران آن از اهمیت حیاتی برخوردار است. نوسانات سریع گلوکز، تاخیر در جذب انسولین و عدم قطعیت در داده های حسگر موجب می شود سیستم های کنترلی کلاسیک مانند PID و MPC عملکرد پایداری در شرایط واقعی نداشته باشند. در این پژوهش یک سامانه هوشمند تزریق انسولین مبتنی بر داده های لحظه ای گلوکز طراحی و شبیه سازی شده است که از الگوریتم یادگیری تقویتی ایمن (Safe Deep Reinforcement Learning) برای کنترل دوز انسولین بهره می گیرد. در بخش پیش بینی از یک مدل Attention-LSTM چند افقی برای تخمین مسیر گلوکز در بازه های ۱۵، ۳۰ و ۶۰ دقیقه آینده استفاده شد و عدم قطعیت پیش بینی با روش Monte Carlo Dropout برآورد گردید. در ادامه، خروجی این مدل به عنوان ورودی ماژول تصمیم گیری تزریق به کار رفت تا کنترل کننده ی Safe DDPG، دوز بهینه ی انسولین را با لحاظ قیود ایمنی، سخت نرم و بازیابی تعیین نماید. برای ارزیابی عملکرد سامانه در محیط Diabetes Simulator ۱ UVa/Padova Type و بر روی داده های ده بیمار مجازی (کودک، نوجوان، بزرگسال) آزمایش شد. نتایج نشان داد مدل پیشنهادی نسبت به کنترل کننده های PID، MPC و DDPG، معمولی میانگین زمان در محدوده هدف (TIR) را از ۶۸ به ۸۷% افزایش داده و زمان در محدوده پایین (TBR) را از ۸.۷ به ۲.۵ کاهش داده است همچنین خطای پیش بینی گلوکز (RMSE) تا ۳۱% بهبود یافته و نرخ تزریق انسولین در محدوده ی ایمن ۱۵ U/min پایدار مانده است. نتایج به دست آمده نشان می دهد که ترکیب پیش بینی چندافقی مبتنی بر LSTM و کنترل تطبیقی ایمن مبتنی بر یادگیری تقویتی می تواند عملکرد پانکراس مصنوعی را بهبود داده و گامی موثر در جهت طراحی سیستم های کاملا خودکار و شخصی سازی شده تزریق انسولین باشد.

کلیدواژه ها:

پانکراس مصنوعی ، یادگیری تقویتی ایمن ، پیش بینی چند افقی گلوکز ، کنترل تطبیقی حلقه بسته ، داده های پایش مداوم گلوکز (CGM) ، هوش مصنوعی در پزشکی