Automatisering av systemidentifikasjon under dyre- og menneskeforsøk

Abstract

Klimaendringer er et veldig dagsaktuelt tema, og med voksende byer kommer økt luft-forurensing. Dette kan føre til en rekke sykdommer, med kronisk obstruktiv lungesyk-dom (KOLS) som en av dem. KOLS er en av de vanligste dødsårsakene i verden, og skyldes som oftest røyking, men antall tilfeller er spådd å øke samtidig som luften blir merforurenset.

Dagens løsning for pasienter som trenger langtidsbehandling med oksygen (LTOT) ermanuell justering av oksygennivået levert til pasienten fra en oksygentank. Nivået blirjustert basert på legens anbefalinger og pasientens følelse av kortpustethet. Dette er med andre ord ikke en optimal løsning, og kan føre til redusert livskvalitet. Forskningsprosjek-tet OxyAid, som dette prosjektet er en del av, har som mål å automatisk justere oksygen-nivået basert på pasientens faktiske behov.

For å oppnå automatisk kontroll av oksygennivået må en rekke undersystemer fungere sammen for å utgjøre det totale kontrollsystemet. Derfor er en oversikt over systemet i sinhelhet gitt i denne rapporten. Identifikasjonsprossen utgjør en av disse undersystemene. Målet med dette prosjektet er å designe og evaluere en identifikasjonsprosess innenforgitte rammer. Dette innebærer bruk av eksisterende programvare, og identifisering og implementasjon av nye der det er nødvendig.

Identifikasjonsprosessen har blitt designet og implementert, inkludert implementasjonav en matematisk modell utviklet av Øyvind Stavdahl og Maria V. Ottermo, som er brukt i parameterestimeringen. Verktøy og teknikker som er brukt i systemdesignet er beskrevetog forklart, sammen med teorien som er nødvendig for å forstå resultatene av identifikasjonsprosessen.

Prosessen har blitt testet så grundig som mulig innenfor gitt tidsramme og tilgjengelige datasett. Den nye prosessen viste seg å være betydelig mer effektivt enn prosedyren somble brukt tidligere. Siden tiden er begrenset i et forsøk er det viktig at prosessen er så effektiv som mulig. Parameterestimering ga gode resultater, til forskjell fra tideligere bruktematematiske modeller. Derimot må prosessen testes med flere datasett for å kunne validere konklusjonen. Det ville også vært verdifullt å teste prosessen i et klinisk forøk. Videreforslag for fremtidig arbeid er blitt gitt.

Climate change is a hot topic nowadays, and with ever growing cities comes increased air pollution. This may lead to a number of diseases, with chronic obstructive pulmonary disease (COPD) being one of them. COPD is one of the leading causes of death in the world, mostly due to smoking, but the number of cases is predicted to increase as the air becomes more polluted.

Today's solution for patients who need long term oxygen therapy (LTOT) is manual adjustment of the oxygen delivered from an oxygen tank. The delivered oxygen level is simply based on the doctor's recommendations and the patient's experience of breathlessness. In other words, this is not an ideal solution, and can lead to reduced life quality for the patients. The research project OxyAid, of which this project is a part, aims to automatically adjust the oxygen level based on the patient's actual need.

In order to achieve automatic control of the oxygen level there are several sub systems that must work together to form the whole control system in total. Thus, an overview of the system in its entirety is given. The identification process is one of these subsystems. The aim of this project is to design and evaluate an identification process within the given scope. This entails using some existing programs, and identify and implement new ones where needed.

The identification process has been designed, including implementation of a mathematical model used for parameter estimation developed by \O yvind Stavdahl and Maria V. Ottermo. Tools and techniques that have been used for the process design have been elaborated and explained, along with with theory necessary to understand the results from the system identification itself, supported by literary findings.

The process has been thoroughly tested as possible within the scope of time and available datasets. The new process was proved to be significantly more effective than the previously used procedure. As time is of the essence during a trial, it is important that a process is as effective as possible. The parameter estimation yielded good results, unlike previously used mathematical models. However, more datasets are needed in order to validate the conclusion. It would also be greatly beneficial to test the system in a clinical trial. Further suggestions for relevant future work has been provided.