Iterative learning control of medical applications

  • Iterativ lernende Regelung medizintechnischer Systeme

Stemmler, Maike; Abel, Dirk (Thesis advisor); Leonhardt, Steffen (Thesis advisor)

Aachen : RWTH Aachen University (2023)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023

Kurzfassung

Natürliche Kontrollmechanismen bilden die Grundlage z. B. für die Aufrechterhaltung der Homöostase. Durch den Alterungsprozess, Krankheiten oder Unfälle kann ihre Funktionsfähigkeit jedoch gestört werden. Zu ihrer Wiederherstellung können Prinzipien der Regelungstechnik genutzt werden. Körpereigene Kontrollmechanismen haben aber oft mehrere verschiedene Funktionen und es existieren zahlreiche Kreuzkopplungen. Außerdem gibt es oft keine direkte Interaktion zwischen dem technischen und dem biologischen System. Diese ist jedoch in den meisten Fällen das eigentliche Ziel. Der Mensch ist in der Lage, komplexe Zusammenhänge schnell zu verstehen und aus früheren Versuchen zu lernen. Diese Fähigkeit ist für repetitive Prozesse äußerst nützlich. Iterativ Lernende Regelungen (ILRs) machen sich diese Eigenschaft zu Nutze. Demzufolge werden in dieser Dissertation ILRs für medizinische Anwendungen entwickelt, die sich an die Fähigkeiten und individuellen Bedürfnisse jedes Patienten anpassen. Hierfür muss der Patient in den Regelkreis integriert werden. Dies hat zur Folge, dass das Reglermodell ggf. Nichtlinearitäten, zeitlich sowie inter- als auch intraindividuell variierende Parameter enthält. Darüber hinaus ist auch die Messbarkeit der Signale und die Quantifizierbarkeit des Therapieziels nicht immer gegeben. Die vorliegende Arbeit untersucht deshalb die Herausforderungen, die sich aus der Integration des Patienten in den Regelkreis ergeben und die daraus resultierenden Schlussfolgerungen für das Reglerdesign. Um die Ergebnisse zu verifizieren und die Verbesserungen und Vorteile von ILRs bei medizintechnischen Anwendungen zu veranschaulichen, werden zwei exemplarische Anwendungen betrachtet, die Regelung von linksventrikulären Herzunterstützungssystemen und des roboter-assistierten neuromuskulären Trainings. Zunächst werden die wesentlichen Dynamiken beider Systeme identifiziert und darauf basierend ILRs entwickelt, implementiert und in der Simulation getestet. Hierfür sind prozessspezifische Anpassungen erforderlich, die im Detail analysiert, dargestellt und diskutiert werden. In Norm-optimal Iterativ Lernenden Regelungen (NOILRs) können verschiedene Randbedingungen und Regelungsziele berücksichtigt und hinsichtlich ihrer Relevanz gewichtet werden. Daher werden im Rahmen dieser Dissertation durchgängig NOILRs verwendet. Darüber hinaus wird das Konzept der Zustands- und Parameterschätzung eingeführt und der entworfene Regler für das neuromuskuläre Training im Rahmen einer experimentellen Studie mit menschlichen Probanden getestet. Sowohl die simulativen als auch die experimentellen Ergebnisse zeigen die Potenziale NOILRs im Vergleich zu konventionellen Therapieansätzen. Der manuelle Einstellungs- und Überwachungsaufwand kann auf ein Minimum reduziert werden, da sich die Regler automatisch an z. B. wechselnde hämodynamische Bedingungen anpassen. Zusammenfassend zeigen die Ergebnisse, dass NOILRs die patientenadaptive Regelung repetitiver medizinischer Anwendungen ermöglichen. Durch die Berücksichtigung physiologischer Variablen können natürliche Kontrollmechanismen wiederhergestellt und Deformitäten korrigiert werden.

Einrichtungen

  • Lehrstuhl und Institut für Regelungstechnik [416610]

Identifikationsnummern

Downloads