通过集体深度强化学习进行人工胰腺混合控制政策

科学领域:

• 生物医学工程 生物医学工程
• 控制系统 控制系统
• 内分泌学 在内分泌学.

背景情况:

• 人工胰腺 (AP) 系统为1型糖尿病 (T1DM) 提供闭环血糖控制.
• 由于生理复杂性,胰岛素反应延迟和葡萄糖测量不准确性,设计有效的AP控制政策具有挑战性.
• 模型预测控制 (MPC) 提供了安全性,但缺乏个性化和食适应性,而深度强化学习 (DRL) 是适应性的,但数据密集型,易于分布转移.

研究的目的:

• 制定AP系统的混合控制政策,整合MPC和DRL的优势.
• 通过meta-learning增强AP系统的适应性并减少数据需求,以更快地为特定患者部署.

主要方法:

• 为人工胰腺 (HyCPAP) 提出了一种混合控制政策,将MPC和整体DRL结合起来.
• 集成的元学习技术,以快速适应新患者,但数据有限.
• 在五个不同的场景中使用UVA/Padova T1DM模拟器进行了广泛的模拟.

主要成果:

• 拟议的HyCPAP实现了在目标葡萄糖范围内花费时间的最高百分比.
• 与现有方法相比,该系统显示低血糖的发生率最低.
• 实验结果证实了混合方法在闭环葡萄糖管理中的优越性.

结论:

• 新的混合控制政策 (HyCPAP) 显著改善了T1DM患者的闭环血糖控制.
• 整合MPC,DRL和元学习为先进的AP系统提供了一个有前途的战略.
• 这种方法为有效和个性化的糖尿病管理提供了巨大的潜力.