Jul, 2023

通过集成深度强化学习的混合控制策略应用于人工胰腺

PDF
TL;DR本文提出了一种 HyCPAP 的混合控制策略，将 MPC 和集成 DRL 策略相结合，利用两种策略的优势并补偿各自的限制，并进一步将元学习技术纳入 HyCPAP 中，以实现对 T1DM 患者的快速个性化适应。结果表明，我们的方法在闭环葡萄糖管理方面表现优越。
artificial pancreasmodel predictive controldeep reinforcement learninghybrid control policymeta-learning techniques
发现论文，激发创造
  • 闭环血糖控制的深度强化学习

    本研究使用深度强化学习技术，比较了不同的控制算法。模拟糖尿病患者的数据分析表明，该技术可大幅降低糖尿病患者在控制血糖水平方面面临的风险，而无需专业知识的参与。

    Sep, 2020

  • 基于数据驱动学习的多步血糖预测模型预测控制 (Model Predictive Control) 人工胰脏

    我们提出了一种闭环胰岛素输送算法的设计和 extit {体外} 评估，该算法用于治疗 1 型糖尿病（T1D），其中包括基于数据驱动的多步血糖（BG）预测器，集成到线性时变（LTV）模型预测控制（MPC）框架中。

    Jul, 2023

  • 使用多步深度强化学习的血糖控制的改进策略

    通过深度强化学习和多步算法，本研究在血糖控制方面验证了多步强化学习的有效性，可能有助于探索最佳血糖控制措施，提高糖尿病患者的生存率。

    Mar, 2024

  • 优化人工胰腺设计以改善糖尿病管理

    这项研究使用神经进化算法和数据预测方法，通过训练预测未来血糖水平的模型，并找到了优化糖尿病治疗策略的 Pareto 前沿，从而改善了患者的生活质量，并开发了一个语言界面以便更广泛地推广应用。

    Feb, 2024

  • 糖血糖控制的端到端离线强化学习

    使用离线强化学习代理人和个性化流程提高闭环系统的性能，消除对模拟器的依赖，实现糖尿病的血糖控制。

    Oct, 2023

  • 深度学习在现实世界中的 1 型糖尿病管理中的安全挑战

    使用深度学习算法模拟血糖动力学的实际应用和局限性的研究。

    Oct, 2023

  • 基于多智能体强化学习方法的 1 型糖尿病（T1D）患者基础波鲁斯顾问

    该论文提出了一种新颖的多智能体强化学习方法，用于个体化的 1 型糖尿病 (T1D) 血糖控制。此方法利用一个闭环系统，包括血糖代谢模型和充当基础 - 推进剂建议者的多智能体软演员 - 评论家强化学习模型。性能评估在三种情景下进行，将强化学习代理与传统治疗进行比较。评估指标包括血糖水平 (最低、最高和平均值)、在不同血糖范围内的时间，以及平均每天推进剂和基础胰岛素剂量。结果表明，基于强化学习的基础 - 推进剂显著改善了血糖控制，减少了血糖波动性，并增加了在目标范围内 (70-180 mg/dL) 的时间。低血糖事件得到有效预防，严重高血糖事件减少。与传统治疗相比，强化学习方法还导致平均每天基础胰岛素剂量的显著降低。这些发现突出了多智能体强化学习方法在实现更好的血糖控制和减轻 T1D 个体严重高血糖风险方面的有效性。

    Jul, 2023

  • 一种用于 1 型糖尿病患者运动检测的集成学习方法

    本研究提出了一种结合数据驱动的生理模型和 Siamese 网络的集成学习框架，用于在人工胰腺系统中准确检测运动，并在临床试验数据集上表现出了高达 86.4％的真正阳性率和 99.1％的真正阴性率。

    May, 2023

  • 离线强化学习用于 1 型糖尿病患者血糖更安全的控制

    本文评估了离线强化学习方法，用于开发临床有效的药量策略，通过对 UVA/Padova 血糖动力学模拟器内的九个虚拟患者的血糖控制进行了研究，发现离线强化学习可以显著提高健康血糖范围内的时间，而不增加低血糖事件。

    Apr, 2022

  • 临床试验中使用转学习预测数字孪生的护士参与的精准 2 型糖尿病管理人工智能

    2 型糖尿病患者通过人工智能和个性化反馈改善每日步数、总卡路里和总碳水化合物摄入，并提供预测控制模型以精确管理病情。

    Jan, 2024