دانلود ترجمه مقاله سیستم کنترل فشار شریانی با استفاده از الگوریتم بهینه سازی ذرات (اسپرینگر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

سیستم کنترل فشار شریانی با استفاده از کنترل پیش بینی مدل و الگوریتم بهینه سازی ذرات

Mean arterial pressure control system using model predictive control and particle swarm optimization

چکیده

۱- مقدمه

۲- کنترل پیشگویانه مدل

۳- بهینه‌سازی ازدحام ذرات

۴- مدل فشار شریانی متوسط

۵- طراحی کنترل‌کننده MPC-PSO

۶- نتایج شبیه‌سازی‌ها و بحث‌های پیرامون آن

۷- نتایج

چکیده

کنترل‌کننده های خطی برای تنظیم فشار شریانی متوسط (MAP) در درمان بیماری‌های مختلف قلبی و عروقی طراحی شده‌اند. برای بیماران مبتلا به اختلالات هیمودینامیکی، سیستم کنترل MAP باید قادر باشد تا کنترل حساس‌تری را اعمال کند. بنابراین، در این مقاله یک روش کنترل پیشگویانه مدل (MPC) جهت افزایش حساسیت سیستم کنترلی MAP ارائه شده است. اصل MPC بطور موثر می‌تواند در زمان‌های از دست رفته در سیستم‌های غیرخطی بکار برده شود و همچنین می‌تواند پاسخ سیستم را زمانیکه در معرض محدودیت‌های پردازشی و سیگنال‌های کنترل قرار دارد،بهینه سازد. علاوه بر این الگوریتم بهینه‌سازی ازدحام ذرات (PSO)، جهت حل مسئله بهینه سازی MPC در هر بازه کنترل بکار گرفته شده است. طبق شبیه‌سازی های ما سیستم کنترل MAP با روش MPC-PSO ترکیب شده از لحاظ کیفیت کنترل نسبت به سیستم کنترل MAP با روش کنترل خطی مرسوم یا معمولی دارای برتری می‌باشد. سیستم کنترل MAP با MPC-PSO از طریق یک آرایه قگیت قابل برنامه‌ریزی، قابل فهم وتحقق‌بخش می‌باشد.

۱- مقدمه

فشار شریانی متوسط (MAP)، میانگین فشار خون (BP) در چرخه قلبی است و توسط خروجی قلب (CO)، مقاومت عروقی بدنی (SVR) و فشار خون مرکزی (CVP) تعیین می‌شود. کنترل ثابت و پایدار MAP در پیشگیری از شرایط تهدیدکننده خطرناک مانند سکنه مغزی و کاهش بیماری‌های مرتبط با فشار خون مهم می‌باشد. مطالعات قبلی نشان می‌دهد که MAP از فشار خون انقباض قلب، فشار خون انبساط قلب و فشار نبض (اختلاف بین انقباض و انبساط فشار خون) در پیش‌بینی سندروم متابولیک در بین افراد سالخورده دارای فشار خون نرمال دقیق‌تر می‌باشد (هسو و همکارانش، ۲۰۱۵). طبق این پژوهش، MAP بالاتر از مقدار قطع نشان‌دهنده‌ی خطر ابتلا به سندروم متابولیک است. در بیمارانی که دچار ایست قلبی شده‌اند، آسیب مغزی ناشی از کمبود اکسیژن دلیل اصلی مرگ می‌باشد (پادمانبهان و همکارانش، ۲۰۱۵). این درحالی است که MAP زیر آستانه‌ی تنظیم خودکار موجب پرفشاری مغزی می‌شود که ممکن است منجر به افزایش وورم مغزی و بدتر شدن آسیب مغزی پیش از آن شود (سیکهون و همکارانش، ۲۰۱۶). بنابراین پیشنهاد شده‌است که نگهداری MAP در محدوده‌ی بهینه با استفاده از رابطه‌ی بین بخش بافت مغزی اشباع شده از اکسیژن و MAP برای بقای این افراد بیمار امری حیاتی و ضروری می‌باشد (سکهون و همکارانش، ۲۰۱۶).

۷- نتایج

روش MPC-PSO برای طراحی سیستم کنترل MAP ما مورد استفاده قرار داده شد. نتایج نشان دادند که تاخیر قابل توجه بین تزریق دارو و تغییرات در فشار خون یک چالش واقعی را برای طراحی کنترل کننده‌ی PID در سیستم‌های کنترل MAP به وجود می‌آورد. در مقابل، کنترل‌کننده‌های MPC-PSO بطور موثر تاخیر و محدودیت سیگنال کنترل را مدیریت می‌کند. نتایج شبیه‌سازی عملکرد بهتر سیستم کنترل MPC-PSO MAP را در مقایسه با PID MAP مرسوم به خوبی نشان می‌دهد. پژوهش‌های دیگر نیازمند مقابله با تغییرات پارامترهای مدل و اختلالات بوجود آمده توسط محیط می‌باشند. کنترل‌کننده‌های MPC-PSO MAP همچنین قادر خواهند بود که تحت یک تراشه به وسیله‌ی FPGA طراحی شوند.

Abstract

Linear controllers have been designed to regulate mean arterial pressure (MAP) in treating various cardiovascular diseases. For patients with hemodynamic fluctuations, the MAP control system must be able to provide more sensitive control. Therefore, in this paper, a model predictive control (MPC) approach is presented to improve the sensitivity of MAP control system. The MPC principle can effectively handle the dead times in nonlinear systems, and can also optimize the system responses when subjected to constraints of process states and control signals. Besides, particle swarm optimization (PSO) is employed to solve the optimization problem of MPC at each control interval. According to our simulations, the MAP control system with combined MPC– PSO approach is superior in control qualities to the MAP control system with conventional linear control method. The MPC–PSO MAP control system is possible to be realized through a field-programmable gate array.

۱- Introduction

Mean arterial pressure (MAP) is the average blood pressure (BP) over a cardiac cycle and is determined by the cardiac output (CO), systemic vascular resistance (SVR) and central venous pressure (CVP). The stable control of MAP is important in the prevention of acute life-threatening condition such as hemorrhagic stroke and the deterioration of chronic hypertension-associated morbidities. Previous studies have shown that MAP is more accurate than systolic BP, diastolic BP and pulse pressure in predicting future metabolic syndrome among the normotensive elderly population (Hsu et al. 2015). According to that research, an MAP higher than the cutoff value indicates an elevated risk of developing metabolic syndrome. For the patients following cardiac arrest, hypoxic-ischemic brain injury is the major cause of death (Padmanabhan et al. 2015). While an MAP below the auto-regulatory threshold leads to additional ischemia and further brain injury, an elevated MAP above the auto-regulatory threshold causes excessive brain perfusion that may result in increased cerebral edema and worsening the pre-existing brain injury (Sekhon et al. 2016).

۷- Conclusions

The MPC–PSO approach has been used to design our MAP control system. The results showed that the substantial delay between drug infusion and change in blood pressure posed a real challenge for PID controller design in the MAP control system. In contrast, the MPC–PSO controller effectively handled the delay and the limitation of control signal. The simulation results clearly depicted the better performance of the MPC–PSO MAP control system compared to that of the conventional PID MAP control system. Further studies are needed to deal with the variation of the model parameters and the disturbance from environments. The MPC–PSO MAP controller will be also able to design as a chip through a FPGA.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

سیستم کنترل فشار شریانی با استفاده از کنترل پیش بینی مدل و الگوریتم بهینه سازی ذرات

Mean arterial pressure control system using model predictive control and particle swarm optimization