Taylor-Series-Based Hybrid Adaptive Sliding Mode Control with Online Meal Disturbance Estimation for Artificial Pancreas Systems

Résumé Technique : Commande par Mode Glissant Hybride Adaptative Basée sur les Séries de Taylor pour les Systèmes de Pancréas Artificiel

Énoncé du Problème
La régulation de la glycémie dans le cas du diabète de type 1 (DT1) via les systèmes de pancréas artificiel (PA) fait face à des défis importants dus aux incertitudes physiologiques et aux perturbations externes imprévisibles, spécifiquement la prise de repas. Bien que la commande par mode glissant (SMC) offre une robustesse intrinsèque et une convergence en temps fini, les formulations conventionnelles de la SMC souffrent de deux limitations critiques en milieu clinique :

1. Gains Fixes : La plupart des contrôleurs basés sur la SMC utilisent des gains fixes qui ne peuvent pas s'adapter à la dynamique spécifique au patient ou à la sensibilité à l'insuline variable dans le temps.
2. Bornes de Perturbation : Les approches standard de commande par mode glissant d'ordre supérieur (HOSMC) et les approches adaptatives nécessitent souvent une connaissance préalable des bornes de perturbation (par exemple, la taille maximale d'un repas) pour garantir la stabilité. En pratique, la teneur en glucides des repas est inconnue et imprévisible, ce qui nécessite un réglage conservateur basé sur le pire scénario, entraînant souvent une administration excessive d'insuline ou un « chattering » (oscillations à haute fréquence).

Les stratégies existantes comme la commande prédictive de modèle (MPC) dépendent fortement de la précision du modèle et des ressources de calcul, tandis que les contrôleurs PID manquent d'adaptabilité aux conditions variables. Les méthodes de commande intelligentes (flou/neuronal) manquent souvent de garanties de stabilité formelles. Par conséquent, il est nécessaire de disposer d'un cadre de commande qui assure la robustesse, une récupération postprandiale rapide et une administration d'insuline fluide sans nécessiter la connaissance préalable de l'amplitude des perturbations de repas.

Méthodologie
L'article propose un cadre de Commande par Mode Glissant Adaptative (ASMC) unifié basé sur un Modèle Minimal de Bergman (BMM) étendu. La méthodologie intègre trois composantes clés :

1. Modélisation du Système : La dynamique glucose-insuline est modélisée par le BMM, étendu avec un terme de perturbation de repas explicite $D(t)$. La perturbation est modélisée comme une fonction à décroissance exponentielle avec une amplitude $A$ inconnue (représentant la teneur en glucides du repas) et un taux de décroissance $\beta$ connu.
2. Paramétrage par Séries de Taylor : Pour gérer l'amplitude de la perturbation inconnue $A$, les auteurs appliquent le théorème de Taylor à la fonction de perturbation. Cela permet de décomposer la dynamique non linéaire de la perturbation en une forme de régresseur linéaire. Plus précisément, le terme non linéaire regroupé dans la dynamique du système est séparé en une dynamique de système nominale et une composante liée à la perturbation paramétrée par $A$. Cela produit un vecteur régresseur connu $\Psi$ dépendant des états mesurables ($G, X, I$) et du temps, permettant l'estimation de $A$ en ligne.
3. Loi de Commande Adaptative :
   • Une surface glissante de second ordre $S$ est définie basée sur l'erreur de suivi de la glycémie et de ses dérivées.
   • L'entrée de commande $u$ est divisée en une commande équivalente (basée sur la dynamique estimée) et un terme de commutation discontinu.
   • Crucialement, l'amplitude inconnue $A$ est remplacée par une estimation en ligne $\hat{A}$.
   • Une loi adaptative basée sur le Lyapunov est dérivée pour mettre à jour $\hat{A}$ en temps réel. La loi de mise à jour est conçue de telle sorte que la dérivée temporelle de la fonction de Lyapunov soit non positive, assurant le caractère borné de tous les signaux en boucle fermée.
   • L'analyse théorique prouve la convergence en temps fini de la surface glissante vers zéro sans nécessiter la connaissance préalable de la borne supérieure de la perturbation.

Contributions Clés
L'article identifie trois contributions principales :

1. Développement d'une ASMC avec Estimation en Ligne : La formulation d'un contrôleur adaptatif qui estime l'amplitude de la perturbation de repas inconnue en ligne à l'aide d'un régresseur paramétré par série de Taylor, éliminant le besoin de bornes de perturbation préalables ou d'annonces de repas.
2. Analyse de Stabilité Rigoureuse : Une analyse de stabilité formelle basée sur le Lyapunov qui établit la convergence en temps fini du système en boucle fermée, prouvant que la loi adaptative assure le caractère borné de tous les signaux (glucose, insuline et erreur d'estimation).
3. Évaluation Comparative Complète : Une validation par simulation contre une SMC conventionnelle utilisant des paramètres de patients validés physiologiquement, démontrant une performance supérieure en termes de réduction de pic, de temps de stabilisation et d'élimination du chattering.

Résultats de Simulation
L'ASMC proposée a été évaluée dans MATLAB/Simulink sur un horizon de 24 heures avec trois perturbations de repas (petit-déjeuner, déjeuner, dîner) à travers trois profils de patients distincts avec des paramètres métaboliques variés. Les principales conclusions quantitatives incluent :

• Régulation de la Glycémie : L'ASMC a réduit les pics de glycémie postprandiale de 70,8 % par rapport à la SMC conventionnelle (par exemple, le pic du déjeuner est passé de 380,65 mg/dL à 108,42 mg/dL). La SMC conventionnelle a dépassé le seuil de 180 mg/dL recommandé par l'ADA, tandis que l'ASMC a maintenu les niveaux dans des limites sûres.
• Vitesse de Convergence : L'ASMC a atteint un temps de stabilisation 28,3 % plus rapide (1,70 heure contre 2,37 heures) lors des événements de repas.
• Précision de Suivi : L'ASMC a démontré des métriques d'erreur nettement inférieures : 87,20 % de réduction de l'ITAE, 14,71 % de réduction de l'IAE, et 5,22 % de réduction de l'ISE et de la MSE par rapport à la SMC.
• Fluidité de la Commande : L'ASMC a éliminé le chattering, comme en témoigne une réduction de 85,95 % de la Variation Maximale d'Amplitude (MAC) et une réduction de 78,40 % de la Variation du Signal d'Entrée (ISV). Cela a résulté en un profil d'infusion d'insuline plus fluide, évitant les oscillations à haute fréquence observées dans la SMC conventionnelle.
• Sécurité : Dans tous les scénarios simulés, y compris pour les patients présentant une résistance élevée à l'insuline, l'ASMC a maintenu les niveaux de glucose strictement au-dessus du seuil d'hypoglycémie de 70 mg/dL, alors que la SMC conventionnelle présentait des excursions hyperglycémiques dangereuses.

Signification et Revendications
Les auteurs affirment que le cadre proposé offre une solution robuste, efficace sur le plan computationnel et cliniquement fiable pour les systèmes de pancréas artificiel. La signification de ce travail réside dans sa capacité à traiter les perturbations de repas inconnues sans dépendre d'un réglage conservateur du pire cas ou d'une connaissance préalable des bornes de perturbation.

En intégrant l'estimation par série de Taylor avec la commande par mode glissant adaptative, le système atteint :

• Sécurité Clinique : Prévention de l'hyperglycémie sévère et de l'hypoglycémie.
• Confort du Patient : L'élimination du chattering conduit à une administration d'insuline plus fluide, réduisant le risque de fatigue de la pompe et d'irritation tissulaire.
• Personnalisation : Le contrôleur s'adapte à la dynamique individuelle du patient (sensibilité à l'insuline et clairance du glucose) grâce au mécanisme d'estimation en ligne.

L'article conclut que bien que la SMC conventionnelle soit théoriquement robuste, elle est cliniquement peu pratique pour les systèmes de PA en raison de son incapacité à gérer les perturbations inconnues sans des gains excessifs. L'ASMC proposée comble cette lacune, offrant une alternative viable qui assure une convergence en temps fini et une action de commande fluide, la rendant adaptée à une implémentation embarquée dans les pompes à insuline. Les travaux futurs se concentreront sur la validation clinique et l'intégration de données de capteurs bruitées.