Maestría en Ingeniería Electrónica

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/9025

Browse

Browsing Maestría en Ingeniería Electrónica by browse.metadata.evaluator "Sepúlveda Sepúlveda, Franklin Alexander"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Control predictivo robusto de glucosa en pacientes con diabetes mellitus tipo I: Validación in silico
    (Universidad Industrial de Santander, 2021) Padilla Toloza, David Alberto; Carreño Zagarra, José Jorge; Villamizar Mejía, Rodolfo; Sepúlveda Sepúlveda, Franklin Alexander; Borrás Pinilla, Carlos
    En este proyecto de grado se propone un esquema de control para la dosificación de insulina en pacientes T1DM, que mantenga un perfil de glucosa saludable, evitando condiciones de hiperglucemia e hipoglucemia, cuyo modelo dinámico presenta fuertes retardos, no linealidades e incertidumbre paramétrica. Para enfrentar este problema de control se planteó la combinación de un controlador predictivo para seguir una referencia con un estimador basado en clasificadores. El controlador predictivo consta dos partes. La primera, cancela los efectos de la perturbación en el momento en que es detectada, aplicando una acción feed-foward; la segunda calcula la acción de control necesaria para seguir una referencia, que busca que la glucosa regrese a su estado basal imitando un perfil saludable para el paciente. Finalmente, se propusieron tres esquemas de controlador predictivo, el primero basado en el algoritmo QDMC, el segundo basado en realimentación de estados con modificaciones en el cálculo de las predicciones y el tercero es una versión del segundo con integrador. El esquema de control propuesto busca ser apto para la implementación real, por lo que se consideran efectos del hardware tales como, cuantización, muestreo, ruido y saturación. Se validaron in silico los tres controladores usando modelos dinámicos dados por el simulador T1DMS, cuyo modelo es aceptado por la FDA, para una cohorte de 10 pacientes adultos. Dicha validación se hizo para modelo nominal e incierto, con el fin de medir el desempeño dinámico y robustez de los controladores. Se encontró que el desempeño dinámico de los dos primeros controladores fue adecuado, mientras que el desempeño del tercero no asegura estabilidad. Finalmente, el estimador demostró ser robusto ante la presencia de ruido y el error de estimación de carbohidratos fue menor al 10%, sin embargo, los 15 minutos que toma en estimar afectan el desempeño del segundo controlador.
  • No Thumbnail Available
    Item
    Detección y estimación de la ingesta de carbohidratos en pacientes diabéticos tipo I, usando medidas continuas de glucosa
    (Universidad Industrial de Santander, 2023-03-23) Rodríguez Moreno, Edward Alfonso; Villamizar Mejía, Rodolfo; Borrás Pinilla, Carlos; Sepúlveda Sepúlveda, Franklin Alexander
    El planteamiento de estrategias encaminadas al desarrollo de un páncreas artificial (AP) para controlar los niveles de glucosa en pacientes con diabetes mellitus tipo I son a menudo insuficientes e insatisfactorias. Niveles altos de glucosa después de episodios posprandiales que agresivamente intentan ser compensados con altas tasas de insulina, no sólo no pueden asegurar los niveles de glucosa en sangre dentro rangos característicos de sujetos sanos, sino que también exponen al paciente a posibles condiciones de hipoglicemia. Muchos de estos enfoques, basados en algoritmos de inteligencia artificial y teoría de control experimentan un comportamiento inesperado en su desempeño ya que la mayoría de ellos no incluyen la presencia ni la cantidad de ingestas consumidas por el paciente. Para abordar este problema, algunos algoritmos de detección y conteo de ingestas reportadas han demostrado no solo un buen desempeño en la regulación de la glucosa en sangre así como una reducción en los casos de hipoglicemia e hiperglicemia. En ese sentido, se propone en esta tesis el uso de algoritmos de aprendizaje supervisado, para la detección y estimación de ingesta de carbohidratos. Para la selección del algoritmo de detección de comida, se hizo uso de algunas herramientas que permitieran visualizar mejor la forma en que estos toman decisiones, entre estas, matrices de confusión y gráficas con las superficies de decisión de cada algoritmo. Por otra parte, para la estimación de comidas, se entrenaron diversos algoritmos de regresión con el propósito de comparar el desempeño en la predicción buscando el algoritmo cuya predicción se ajustáse mejor frente a la curva de glucosa real medida dentro de un horizonte postprandial. Los algoritmos fueron validados sobre dos conjuntos de datos. El primero, sobre el simulador metabólico aprobado por la administración de alimentos y medicamentos (FDA por sus siglas en inglés), mientras que un segundo conjunto fueron validados sobre mediciones de pacientes reales conocido como OhioT1DM.