Iterative learning control of medical applications

Stemmler, Maike; Leonhardt, Steffen; Abel, Dirk

doi:42598

Iterative learning control of medical applications = Iterativ lernende Regelung medizintechnischer Systeme

Stemmler, Maike^RWTH*

2023

Verantwortlichkeitsangabevorgelegt von Maike Stemmler, geb. Ketelhut

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Abel, Dirk (Thesis advisor)^RWTH* ; Leonhardt, Steffen (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-05-12

Online
DOI: 10.18154/RWTH-2023-09616
URL: https://publications.rwth-aachen.de/record/971460/files/971460.pdf

Einrichtungen

Lehrstuhl und Institut für Regelungstechnik (416610)

Projekte

Inhaltliche Beschreibung (Schlagwörter)
biomedical systems (frei) ; control engineering (frei) ; iterative learning control (frei) ; medical engineering (frei) ; robotic rehabilitation (frei) ; ventricular assist device (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

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.

Natural control mechanisms compose the basis for e.g. the maintenance of homeostasis. However, the aging process, diseases or accidents can disturb their functionality. To recover them, control system theory can be applied. But natural control mechanisms usually have several different functions and there exist multiple cross-couplings. Furthermore, there often is no direct interaction between the technical and biological system, although in most cases the direct interaction is the intended use. However, humans are able to quickly understand complex correlations and learn from previous trials to improve the performance of subsequent ones. This ability is extremely useful for processes that operate in a repetitive manner. Since iterative learning control (ILC) algorithms adopt this characteristic, they are well suited to control repetitive medical processes. According to this, the aim of this thesis is to design ILC approaches for medical applications that adapt the control action on the abilities and individual needs of each patient. Therefore, the patient has to be a part of the control loop. Consequently, the controller model may include non-linearities, time-varying parameters, and inter- and intrapatient parameter variations. Furthermore, the measurability of relevant signals and the quantifiability of the therapeutic aim are not always given. This thesis investigates the main challenges that arise from the patient’s integration in the control loop and the resulting conclusions for the controller design. To verify the results and demonstrate the improvements and advantages of ILC strategies applied to medical applications, two exemplary applications are considered in this thesis, i.e. the control of a left-ventricular assist device and the robot-assisted neuromuscular training. In both cases, the system’s dynamics are identified and an applicable ILC strategy is developed, implemented, and tested in simulation. For this purpose, process-specific adoptions are required, which are analyzed, presented, and discussed in detail. In norm-optimal iterative learning control (NOILC) schemes various different constraints and control objectives can be considered and weighted regarding their importance. For this reason, NOILC schemes instead of conventional, simpler ILC schemes are used throughout this thesis. Apart from this, the concept of state and parameter estimation is introduced and the designed control scheme for the neuromuscular training is also tested in an experimental study with human subjects. Both, the simulation as well as the experimental results demonstrate the superiority of the NOILC scheme compared to conventional therapy approaches. In both applications, the manual adjustment, as well as the monitoring effort, can be reduced to a minimum, as the control schemes automatically adapt to e.g. changing hemodynamic conditions. In conclusion, the results show that NOILC schemes enable patient adaptive control of repetitive medical processes. By addressing physiological variables, natural control mechanisms can be recovered and deformities can be corrected.

OpenAccess:
PDF
(additional files)