Esta es un versión antigua publicada el 2018-07-02. Consulte la versión más reciente.

TREATMENT FOR T1DM PATIENTS USING NEURO-FUZZY INVERSE OPTIMAL CONTROL ALGORITHM: A RAPID PROTOTYPING IMPLEMENTATION

Autores/as

Y. Yuliana Rios CINVESTAV
J.A. García-Rodríguez CUCEI
Edgar N. Sanchez CINVESTAV
Alma Y. Alanis CUCEI
E. Ruiz Velázquez CUCEI
Cristhian Manuel Durán Acevedo Universidad de Pamplona

DOI:

https://doi.org/10.24054/rcta.v2i32.104

Palabras clave:

Diabetes Mellitus tipo 1, Neuro-Difuso, Control, Tarjeta de Desarrollo

Resumen

La condición de Diabetes Mellitus Tipo 1 (DMT1) ocurre cuando el páncreas se comporta de manera anormal e impide la producción de insulina parcialmente o totalmente. Por lo tanto, la glucosa no es metabolizada para convertirse en una fuente natural de energía y permanece en el torrente sanguíneo. Esta enfermedad causa miles de muertes alrededor del mundo. Los sectores de salud, así como la comunidad científica, han fortalecido los esfuerzos para proporcionar tratamientos más efectivos. En este trabajo, se expone un novedoso enfoque de control neuro-difuso para la regulación de la glucosa en sangre en pacientes virtuales con DMT1. La estrategia es diseñada tal que las funciones de membresía están definidas para determinar la tasa de infusión de insulina para evitar eventos de hiperglucemia e hipoglucemia. Adicionalmente, se lleva a cabo un prototipado
rápido programando la ley de control óptimo inverso en la tarjeta de desarrollo LAUNCHXL-F28069M de Texas Instruments Inc. El análisis de la variabilidad de control (Siglas en inglés CVGA) obtenido a través del simulador Uva/Padova muestra claramente
un desempeño satisfactorio para la reducción de hiperglucemia e hipoglucemia en una población de 10 adultos virtuales. De esta manera, el trabajo tiene como objetivo expandir la investigación de la diabetes hacia el Páncreas Artificial (PA) como un dispositivo programable.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Alanis A. Y., Sanchez E. N., and Loukianov A. G. (2007). Discrete-time adaptive backstepping nonlinear control via high-order neural networks. IEEE Transactions on Neural Networks, vol. 18, no. 4, pp. 1185–1195.

Álvarez López R-A, Adriana Arango Manrique (2012), Implementation of photovoltaic generation as support to fails in distribution networks, Revista Colombiana de Tecnologías de Avanzada, Volumen 2 – Número 22, pp. 14-19.

Freeman R. and Kokotovic P. V. (2008). Robust nonlinear control design: state-space and Lyapunov techniques. Springer Science & Business Media.

Galadanci J., Shafik R., Mathew J., Acharyya A., and Pradhan D. (2012). A closed-loop control strategy for glucose control in artificial pancrea. Systems. Electronic System Design (ISED). International Symposium on, pp. 295–299.

Gélvez-R, L.F, Maldonado Bautista, J.O, (2012), Morphological neural network implementation of Recognition of single words, Revista colombiana de Tecnologías de avanzada (RCTA), volumen 1 - número 19.

George K., Alberti M. M., DeFronzo R., Ferrannini E., and Zimmet P. (2015). Chapter 2: The Classification and Diagnosis of Diabetes Mellitus. International Textbook of Diabetes Mellitus, vol. 2. Wiley-Blackwell, 4 ed.

Gualdrón-Guerrero O, E, Reales Osorio, J.J (2016), Acevedo Gauta, T.L Implementación de una estrategia de control difuso para Aumentar la producción de crudo en pozo petrolero, Revista Colombiana de Tecnologías de Avanzada, vol 1 - Número 27, pp. 98-103.

Guerrero-Balaguera, J.D (2016), image processing algorithms and artificial neural networks to recognition of colombian sign language (lsc), Revista Colombiana de Tecnologías de Avanzada, vol 2, Número 28, pp. 1-8.

Hovorka R. (2005). Continuous glucose monitoring and closed loop systems. Diabetic Medicine, vol. 23, no. 1, pp. 1–12.

Kovács L., Szalay P., Beny B., and Chase G. (2011). Asymptotic output tracking in blood glucose control. a case study. 50th IEEE Conference on Decision and Control and European Control Conference. pp. 59–64.

Kovatchev B. P., Breton M., Dalla Man C., and Cobelli C. (2009). In silico preclinical trials: a proof of concept in closed-loop control of type 1 diabetes.

Leon B. S., Alanis A. Y., Sanchez E. N., Ornelas-Tellez F., and Ruiz-Velazquez E. (2013). Neural inverse optimal control applied to type 1 diabetes mellitus patients. Analog Integrated Circuits and Signal Processing, vol. 76, no. 3, pp. 343–352.

Li W., Todorov E., and Liu D. (2011). Inverse optimality design for biological movement systems. IFAC Proceedings Volumes, vol. 44, no. 1, pp. 9662–9667.

Majithia A., Wiltschko A., Zheng H., Walford G., and Nathan D. M. (2018). Rate of change of premeal glucose measured by continuous glucose monitoring predicts postmeal glycemic excursions in patients with type 1 diabetes: Implications for therapy. Journal of Diabetes Science and Technology, vol. 12, no. 1, pp. 76–82, 2018. PMID: 28868899.

Magni L., Forgione M., Toffanin C., Man C. D., Kovatchev B., Nicolao G. D., and Cobelli C. (2009). Run-to-run tuning of model predictive control for type 1 diabetes subjects: In silico trial. Journal of Diabetes Science and Technology, vol. 3, no. 5, pp. 1091–1098, 2009. PMID: 20144422.

Man C. D., Micheletto F., Lv D., Breton M., Kovatchev B., and Cobelli C. (2014). The uva/padova type 1 diabetes simulator: new features. Journal of diabetes science and technology, vol. 8, no. 1, pp. 26–34.

Ornelas F., Sanchez E. N., and Loukianov A. G. (2011). Discrete-time nonlinear systems inverse optimal control: A control lyapunov function approach. Control Applications (CCA), IEEE International Conference on, pp. 1431–1436, IEEE.

Ornelas-Tellez F., Sanchez E. N., Loukianov A. G., and Navarro-López E. M. (2011). Speed-gradient inverse optimal control for discrete-time nonlinear systems. Decision and Control and European Control Conference (CDC-ECC), 50th IEEE Conference on, pp. 290–295, IEEE.

Patek S., Magni L., Dassau E., Karvetski C., Toffanin C., Nicolao G. D., Favero S. D., Breton M., Dalla-Man C., Renard E., Zisser H., F. D. III, Cobelli C., and Kovatchev B. (2012). Modular closed-loop control of diabetes. IEEE Transactions on Biomedical Engineering, vol. 59, pp. 2986–2999.

Quintero-Manriquez E. , Sanchez E. N., Harley R. G., Li S. , and Felix R. A. (2017). Neural sliding mode control for induction motors using rapid control prototyping. IFAC-PapersOnLine, vol. 50, no. 1, pp. 9625–9630.

Rios Y. Y., García-Rodríguez J. , Sanchez O. , Sanchez E. N., Alanis A. Y., Ruiz-Velázquez E. , and Arana N. (2018). Inverse optimal control using a neural multi-step predictor for T1DM treatment. vol. The International Joint Conference on Neural Networks (IJCNN), pp. 1–6.

Romero-Aragon J. C., Sanchez E. N., and Alanis A. Y. (2014). Fpga neural identifier for insulin-glucose dynamics. World Automation Congress (WAC). pp. 675–680, IEEE.

Rovithakis G. A., and Christodoulou M. A. (2012). Adaptive control with recurrent high-order neural networks: theory and industrial applications. Springer Science & Business Media.

Sanchez E. N. and Ornelas-Tellez F. (2016). Discrete-time inverse optimal control for nonlinear systems. CRC Press.

Stene L., Harjutsalo V., Moltchanova E., Tuomilehto J., DeFronzo R., Ferrannini E., and P. Zimmet. (2015). Chapter 3: The Classification and Diagnosis of Diabetes Mellitus. International Textbook of Diabetes Mellitus, vol. 2. Wiley-Blackwell, 4 ed.

T. D. Control and C. T. R. Group. (1993). The effect of intensive treatment of diabetes on the development and progression of long-term complications in insulin-dependent diabetes mellitus. New England Journal of Medicine, vol. 329, no. 14, pp. 977–986, 1993. PMID: 8366922.

U. D. of Health, H. S. Food, and D. Administration. (2011) The Content of Investigational Device Exemption (IDE) and Premarket Approval (PMA) Applications for Artificial Pancreas Device Systems. Center for Devices and Radiological Health, 1 ed. Guidance for Industry and Food and Drug Administration Staff.

Vásquez-Carrillo, M.C, Alvarado, R.T (2015), Método multicriterio para la toma de decisiones con un Enfoque difuso: una aplicación en la aviación, Revista Colombiana de Tecnologías de Avanzada, vol 2, no 26, pp. 94-98.

Descargas

Publicado

2020-10-06 — Actualizado el 2018-07-02

Versiones

Cómo citar

Rios, Y. Y., García-Rodríguez, J., Sanchez, E. N. ., Alanis, A. Y. ., Ruiz Velázquez, E. ., & Durán Acevedo, C. M. . (2018). TREATMENT FOR T1DM PATIENTS USING NEURO-FUZZY INVERSE OPTIMAL CONTROL ALGORITHM: A RAPID PROTOTYPING IMPLEMENTATION. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 2(32), 26–33. https://doi.org/10.24054/rcta.v2i32.104 (Original work published 6 de octubre de 2020)