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

Resumo Técnico: Controle de Modo Deslizante Híbrido Adaptativo Baseado em Série de Taylor para Sistemas de Pâncreas Artificial

Definição do Problema
A regulação da glicose no sangue no Diabetes Mellitus Tipo 1 (DM1) via sistemas de Pâncreas Artificial (PA) enfrenta desafios significativos devido a incertezas fisiológicas e distúrbios externos imprevisíveis, especificamente a ingestão de refeições. Embora o Controle de Modo Deslizante (SMC) ofereça robustez inerente e convergência em tempo finito, as formulações convencionais de SMC sofrem de duas limitações críticas em ambientes clínicos:

1. Ganhos Fixos: A maioria dos controladores baseados em SMC utiliza ganhos fixos que não conseguem se adaptar às dinâmicas específicas de cada paciente ou à sensibilidade à insulina variável no tempo.
2. Limites de Distúrbio: O Controle de Modo Deslizante de Ordem Superior (HOSMC) padrão e as abordagens adaptativas frequentemente exigem conhecimento prévio dos limites de distúrbio (ex: tamanho máximo da refeição) para garantir a estabilidade. Na prática, o conteúdo de carboidratos da refeição é desconhecido e imprevisível, tornando necessária uma sintonia conservadora para o pior cenário, o que frequentemente leva à entrega excessiva de insulina ou ao "chattering" (oscilações de alta frequência).

Estratégias existentes como o Controle Preditivo Baseado em Modelo (MPC) dependem fortemente da precisão do modelo e de recursos computacionais, enquanto controladores PID carecem de adaptabilidade a condições variáveis no tempo. Métodos de controle inteligente (fuzzy/neural) frequentemente carecem de garantias formais de estabilidade. Consequentemente, há uma necessidade de um framework de controle que garanta robustez, recuperação pós-prandial rápida e entrega de insulina suave sem exigir conhecimento prévio das magnitudes de distúrbio das refeições.

Metodologia
O artigo propõe um framework de Controle de Modo Deslizante Adaptativo (ASMC) unificado baseado em um Modelo Mínimo de Bergman (BMM) estendido. A metodologia integra três componentes principais:

1. Modelagem do Sistema: A dinâmica da glicose-insulina é modelada usando o BMM, estendido com um termo de distúrbio de refeição explícito $D(t)$. O distúrbio é modelado como uma função de decaimento exponencial com uma amplitude $A$ desconhecida (representando o conteúdo de carboidratos da refeição) e uma taxa de decaimento $\beta$ conhecida.
2. Parametrização por Série de Taylor: Para lidar com a amplitude de distúrbio desconhecida $A$, os autores aplicam o teorema de Taylor à função de distúrbio. Isso permite que a dinâmica não linear do distúrbio seja decomposta em uma forma de regressor linear. Especificamente, o termo não linear agrupado na dinâmica do sistema é separado em dinâmica de sistema nominal e um componente relacionado ao distúrbio parametrizado por $A$. Isso gera um vetor regressor conhecido $\Psi$ dependente de estados mensuráveis ($G, X, I$) e do tempo, permitindo a estimativa de $A$ online.
3. Lei de Controle Adaptativo:
   • Uma superfície de deslizamento de segunda ordem $S$ é definida com base no erro de rastreamento da glicose e seus derivados.
   • A entrada de controle $u$ é dividida em um controle equivalente (baseado na dinâmica estimada) e um termo de comutação descontínuo.
   • Crucialmente, a amplitude desconhecida $A$ é substituída por uma estimativa online $\hat{A}$.
   • Uma lei adaptativa baseada em Lyapunov é derivada para atualizar $\hat{A}$ em tempo real. A lei de atualização é projetada de modo que a derivada temporal da função de Lyapunov seja não positiva, garantindo a limitação de todos os sinais de malha fechada.
   • A análise teórica prova a convergência em tempo finito da superfície de deslizamento para zero sem exigir conhecimento prévio do limite superior do distúrbio.

Principais Contribuições
O artigo identifica três contribuições primárias:

1. Desenvolvimento de um ASMC com Estimativa Online: A formulação de um controlador adaptativo que estima a amplitude de distúrbio de refeição desconhecida online usando um regressor parametrizado por série de Taylor, eliminando a necessidade de limites de distúrbio prévios ou anúncios de refeição.
2. Análise de Estabilidade Rigorosa: Uma análise de estabilidade formal baseada em Lyapunov que estabelece a convergência em tempo finito para o sistema de malha fechada, provando que a lei adaptativa garante a limitação de todos os sinais (glicose, insulina e erro de estimativa).
3. Avaliação Comparativa Abrangente: Uma validação baseada em simulação contra um SMC convencional utilizando parâmetros de pacientes fisiologicamente validados, demonstrando desempenho superior em termos de redução de pico, tempo de acomodação e eliminação de chattering.

Resultados de Simulação
O ASMC proposto foi avaliado no MATLAB/Simulink ao longo de um horizonte de 24 horas com três distúrbios de refeição (café da manhã, almoço, jantar) através de três perfis de pacientes distintos com parâmetros metabólicos variados. As principais descobertas quantitativas incluem:

• Regulação da Glicose: O ASMC reduziu os picos pós-prandiais em 70,8% em comparação com o SMC convencional (ex: o pico do almoço foi reduzido de 380,65 mg/dL para 108,42 mg/dL). O SMC convencional excedeu o limite de 180 mg/dL recomendado pela ADA, enquanto o ASMC manteve os níveis dentro de limites seguros.
• Velocidade de Convergência: O ASMC alcançou um tempo de acomodação 28,3% mais rápido (1,70 hora vs. 2,37 horas) durante os eventos de refeição.
• Precisão de Rastreamento: O ASMC demonstrou métricas de erro significativamente menores: 87,20% menos ITAE, 14,71% menos IAE, e 5,22% menos ISE e MSE em comparação ao SMC.
• Suavidade do Controle: O ASMC eliminou o chattering, evidenciado por uma redução de 85,95% na Mudança de Amplitude Máxima (MAC) e uma redução de 78,40% na Variação do Sinal de Entrada (ISV). Isso resultou em um perfil de infusão de insulina mais suave, evitando as oscilações de alta frequência observadas no SMC convencional.
• Segurança: Em todos os cenários simulados, incluindo pacientes com alta resistência à insulina, o ASMC manteve os níveis de glicose estritamente acima do limite de hipoglicemia de 70 mg/dL, enquanto o SMC convencional exibiu excursões hiperglicêmicas inseguras.

Significância e Alegações
Os autores alegam que o framework proposto oferece uma solução robusta, computacionalmente eficiente e clinicamente confiável para sistemas de pâncreas artificial. A significância do trabalho reside em sua capacidade de lidar com distúrbios de refeição desconhecidos sem depender de sintonia de pior caso conservadora ou conhecimento prévio de limites de distúrbio.

Ao integrar a estimativa por série de Taylor com o controle de modo deslizante adaptativo, o sistema alcança:

• Segurança Clínica: Prevenção tanto de hiperglicemia severa quanto de hipoglicemia.
• Conforto do Paciente: A eliminação do chattering leva a uma entrega de insulina mais suave, reduzindo o risco de fadiga da bomba e irritação tecidual.
• Personalização: O controlador se adapta às dinâmicas individuais do paciente (sensibilidade à insulina e depuração de glicose) através do mecanismo de estimativa online.

O artigo conclui que, embora o SMC convencional seja teoricamente robusto, ele é clinicamente impraticável para sistemas de PA devido à sua incapacidade de lidar com distúrbios desconhecidos sem ganhos excessivos. O ASMC proposto preenche essa lacuna, oferecendo uma alternativa viável que garante convergência em tempo finito e ação de controle suave, tornando-o adequado para implementação embarcada em bombas de insulina. O trabalho futuro é observado focado em validação clínica e integração com dados de sensores ruidosos.