دوره 16، شماره 2 - ( مجله کنترل، جلد 16، شماره 2، تابستان 1401 )                   جلد 16 شماره 2,1401 صفحات 39-25 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Kouchaki Z, Yousefi M R, Shojaei K. Robust Adaptive Neural Control of the Blood Glucose for Type 1 Diabetic Patients in Presence of Meals. JoC 2022; 16 (2) :25-39
URL: http://joc.kntu.ac.ir/article-1-789-fa.html
کوچکی نافچی زهرا، یوسفی محمد رضا، شجاعی خوشنام. کنترل تطبیقی شبکه عصبی مقاوم قند خون بیماران دیابتی نوع یک در حضور وعده‌های غذایی. مجله کنترل 1401; 16 (2) :39-25

URL: http://joc.kntu.ac.ir/article-1-789-fa.html


1- دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
چکیده:   (3632 مشاهده)
در این مقاله کنترل قند خون بیماران دیابتی نوع یک در حضور نامعینی و وعده‌های غذایی مورد توجه قرار گرفته است. به منظور ارائه‌ رویکرد کنترلی کارآمد، فرض شده است که تمام دینامیک‌های توصیف‌کننده مکانیزم تنظیم قند خون بیماران دیابتی نوع یک کاملاً نامعین می‌باشند. براساس توابع تقریب‌زن عمومی شبکه‌ عصبی شعاعی مجهز شده به الگوریتم تطبیق و همچنین استفاده از رویکرد کاهش تعداد پارامترهای آموزشی شبکه‌ عصبی، دینامیک‌های نامعین مدل برگمن تقریب زده شده است. در ادامه براساس رویکرد کنترلی خطی‌ساز فیدبک و جبران‌ساز تطبیقی مقاوم، طراحی کنترل‌کننده خطی‌ساز فیدبک شبکه عصبی به منظور تنظیم قند خون بیماران دیابتی نوع اول در حضور وعده‌ غذایی برای اولین بار مورد بررسی قرار گرفته است. با تحلیل مبتنی بر تئوری لیاپانوف نشان داده شده است که تمام سیگنال‌های سیستم حلقه بسته کنترل قند خون به صورت کران‌دار نهایی یکنواخت ، پایدار می‌باشند و همچنین قند خون بیماران دیابتی به کرانی از مقدار مطلوب همگرا شده است. در انتها، نتایج شبیه‌سازی به منظور نشان دادن کارآمدی کنترل‌کننده‌ طراحی شده به تصویر کشیده شده است.
متن کامل [PDF 986 kb]   (131 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1399/6/12 | پذیرش: 1400/2/2 | انتشار الکترونیک پیش از انتشار نهایی: 1400/4/9

فهرست منابع
1. [1] T. Daisuke, Y. Xiao, F. Hu, F. Lewis. "A survey of insulin-dependent diabetes-part I: therapies and devices." International journal of telemedicine and applications, vol. 43, no. 11, pp. 1617-1632, 2008.
2. [2] A. Ciancio, R. Bosio, S. Bo, M. Pellegrini, M. Sacco. "Significant improvement of glycemic control in diabetic patients with HCV infection responding to direct‐acting antiviral agents." Journal of medical virology, vol. 90, no. 2, pp, 320-327, 2018. [DOI:10.1002/jmv.24954]
3. [3] N. Revital, E. Dassau, T. Segall. "Adjusting insulin doses in patients with type 1 diabetes who use insulin pump and continuous glucose monitoring: Variations among countries and physicians." Diabetes, obesity and metabolism, vol. 20, no. 10, pp. 2458-2466, 2018. [DOI:10.1111/dom.13408]
4. [4] A. Roy, R. S. Parker. "Dynamic modeling of exercise effects on plasma glucose and insulin levels." IFAC proceedings volumes, vol. 39, no. 2, pp. 509-514, 2006. [DOI:10.3182/20060402-4-BR-2902.00509]
5. [5] A. Abu-Rmileh, G. Winston, D. Zambrano. "Internal model sliding mode control approach for glucose regulation in type 1 diabetes". Biomedical signal processing and control, vol. 5, no. 2, pp. 94-102, 2011. [DOI:10.1016/j.bspc.2009.12.003]
6. [6] A. Abu-Rmileh, W. Garcia-Gabin, D. Zambrano. "A robust sliding mode controller with internal model for closed-loop artificial pancreas". Medical & biological engineering & computing. vol. 48, no. 12, pp. 1191-201, 2011. [DOI:10.1007/s11517-010-0665-3]
7. [7] A. Nath, R. Dey. "Robust observer based control for plasma glucose regulation in type 1 diabetes patient using attractive ellipsoid method". IET systems biology, vol. 13, no. 2, pp. 84-91, 2019. [DOI:10.1049/iet-syb.2018.5054]
8. [8] S. Ahmad, N. Ahmed, M. Iyas, W. Khan. "Supertwisting sliding mode control algorithm for developing artificial pancreas in type 1 diabetes patients". Biomedical signal processing and control, vol .38, pp. 200-211, 2017. [DOI:10.1016/j.bspc.2017.06.009]
9. [9] S. T. Dinani, M. Zekri, M. Kamali. "Regulation of blood glucose concentration in type 1 diabetics using single order sliding mode control combined with fuzzy on-line tunable gain, a simulation study". Journal of medical signals and sensors, vol. 5, no. 3, pp.131-140, 2015. [DOI:10.4103/2228-7477.161463]
10. [10]R. Zamani Forooshani, M. Siahi, A. Ramezani. "Adaptive type-2 fuzzy control for regulation of glucose level in type 1 diabetes". IETE journal of research, pp. 1-11, 2019. [DOI:10.1080/03772063.2019.1595183]
11. [11] E-O. Meriyan, A. Cinar, L. Quinn, D. Smith. "Adaptive control strategy for regulation of blood glucose levels in patients with type 1 diabetes". Journal of process control, vol. 19, no. 8, pp. 1333-1346, 2009. [DOI:10.1016/j.jprocont.2009.04.004]
12. [12] Sh. Hassan, A. Raja. "Closed loop blood glucose control in diabetics." Biomedical research, vol. 28, no. 16, pp. 7230-7236, 2017.
13. [13] S. Deirdre, R. K. Munje. "Backstepping SMC for blood glucose control of type-1 diabetes mellitus patients". International journal of engineering technology science and research, vol. 4, no. 5, pp. 1-7 2017.
14. [14] H. Heydarinejad, H. Delavari. "Fractional order backstepping sliding mode control for blood glucose regulation in type I diabetes patients". Neurocomputing, vol. 12, pp. 187-202, 2017. [DOI:10.1007/978-3-319-45474-0_18]
15. [15] H. Heydarinejad, H. Delavari, D. Baleanu. "Fuzzy type-2 fractional backstepping blood glucose control based on sliding mode observer." International journal of dynamics and control, vol. 7, no. 1, pp. 341-354, 2019. [DOI:10.1007/s40435-018-0445-8]
16. [16] Chen Z, Huang F, Yang C, Yao B. "Adaptive fuzzy backstepping control for stable nonlinear bilateral teleoperation manipulators with enhanced transparency performance". IEEE transactions on industrial electronics. vol. 67, pp. 746-756, 2019. [DOI:10.1109/TIE.2019.2898587]
17. [17] Wang, Min, Shuzhi Sam Ge, and Keum-Shik Hong. "Approximation-based adaptive tracking control of pure-feedback nonlinear systems with multiple unknown time-varying delays." IEEE transactions on neural networks, vol. 21, no. 11, pp. 1804-1816, 2010. [DOI:10.1109/TNN.2010.2073719]
18. [18] Zhou, Qi, Peng Shi, Honghai Liu, and Shengyuan Xu. "Neural-network-based decentralized adaptive output-feedback control for large-scale stochastic nonlinear systems." IEEE transactions on systems, man, and cybernetics, part B (cybernetics), vol. 42, no. 6, pp. 1608-1619, 2012. [DOI:10.1109/TSMCB.2012.2196432]
19. [19] Zhou, Qi, Peng Shi, Shengyuan Xu, and Hongyi Li. "Observer-based adaptive neural network control for nonlinear stochastic systems with time delay." IEEE transactions on neural networks and learning systems, vol. 24, no. 1, pp. 71-80, 2012. [DOI:10.1109/TNNLS.2012.2223824]
20. [20] Khalil HK, Grizzle JW. Nonlinear systems. Upper Saddle River, NJ: Prentice hall; 2002 Jan.
21. [21] Kim YH, Lewis FL. "Neural network output feedback control of robot manipulators". IEEE transactions on robotics and automation. vol. 15, pp. 301-309, 1999. [DOI:10.1109/70.760351]
22. [22] G. Tao, PV. Kokotovic. "Adaptive control of systems with actuator and sensor nonlinearities". New York, John Wiley & Sons, 1996.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله کنترل می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2023 CC BY-NC 4.0 | Journal of Control

Designed & Developed by : Yektaweb