Jul, 2023

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

PDF
TL;DR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。
insulin delivery algorithmtype 1 diabetesblood glucose predictorlong short-term memory networkglucose concentrations
发现论文，激发创造
  • 使用连续葡萄糖监测数据的基于机器学习的 1 型糖尿病患者血糖水平预测

    该研究探讨利用连续血糖监测设备和机器学习模型进行血糖浓度的预测，旨在为糖尿病治疗提供便利以及为人工胰腺系统认证和监管提供可靠性支持。

    Feb, 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

    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。

    Jul, 2023

  • 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

  • 血糖水平预测：基于图像的可解释方法与联邦学习

    使用图注意力内存模型和联邦学习方法进行血糖水平预测，在类型 1 糖尿病患者中取得了稳定而有效的结果。

    Dec, 2023

  • 深度神经网络模型预测控制框架介绍及快速控制器实现

    基于深度神经网络的非线性模型预测控制（MPC）在同质压燃点火（HCCI）燃烧控制方面的实验实施结果良好，具有优秀的 IMEP 轨迹跟踪性能和过程约束的观测情况。

    Oct, 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

  • 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

  • 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

  • 基于样本的线性不确定系统模型预测控制

    本文提出了基于样本的 LMPC 控制器，该控制器适用于受到有界添加干扰的约束不确定线性系统。我们介绍了安全集与价值函数的设计，用于保证安全性和性能改进，并展示了如何使用有噪声的历史数据来近似这些量。数值实例证明了所提出的方法的有效性。我们证明了所提出的 LMPC 能够安全地探索状态空间，迭代地改进最坏情况下闭环性能，同时稳健地满足状态和输入约束。

    Apr, 2019

  • 基于循环神经网络的连续制药制造模型预测控制

    本研究展示了在连续制药生产中，使用循环神经网络作为模型预测控制（MPC）解决方案，可以更好地建模动态系统并实现满意的闭环控制性能。

    Jul, 2018