Università degli Studi di Trieste DIPARTIMENTO DI INGEGNERIA E ARCHITETTURA
______________________________________________________________ Corso di Laurea in Ingegneria dell’Informazione
STIMA DELLA PRESSIONE TRACHEALE NEL CONTROLLO DELLA VENTILAZIONE MECCANICA MEDIANTE GENETIC
PROGRAMMING
LAUREANDA Ngouoyiwouo Mfouapon Nadine
RELATORE Prof. Alberto Bartoli
CORRELATORE Dott. Alessandro Turco
Obiettivo della tesi
“A Novel Estimation Methodology for Tracheal Pressure in Mechanical Ventilation Control”
Validare il modulo di Programmazione Genetica nel software modeFRONTIER Confronto risultati su problema già risolto in letteratura
Introduzione
Ventilazione percussiva ad alta frequenza comporta:
Tubo endotracheale (EET)
Controllo della pressione del
flusso d’aria (per evitare danni ai polmoni)
Paw(t) = ΔPEET(t) + Ptr(t)
Definizione del problema
Trovare un modello analitico per stimare la pressione tracheale nel controllo della ventilazione meccanica basato sulle:
Proprietà del tubo (EET)
Misure sul flusso d’aria
Nostro approccio
GP: procedimento evolutivo per la sintesi di modelli analitici a partire da misure.
Evolutionary Design (ED)
Algoritmo di GP implementato in modeFRONTIER (mF)
Import dei dati in mF attraverso l’apposito wizard
Impostazione dei parametri
Esecuzione
Esperimento numerico
Import dei dati in mF, creazione delle tabelle
Esperimento numerico
Terminal set :
La pressione misurata dal ventilatore Paw (t)
Il flusso
L’accelerazione volume
La frequenza percussiva fp
La pressione di lavoro Pwork
€
˙ V
€
˙ ̇ V
Esperimento numerico
Function set:operatori aritmetici (+, - , * , /), le funzioni elementari “esponenziale” e “potenza”.
Tuning dei seguenti parametri nella fase degli esperimenti preliminari: Population size Generation number Maximum allowable time
Esperimento finale
Maximum Allowable Time: 100000 s (valore massimo inseribile)
Number of jobs: 32
Generations number : 500
Populations size : 500
fMSE(T) =
€
1n
€
(PT (tn ) − Ptr (tn ))2
i=1
n
∑
Tabella riassuntiva dei risultati
Validazione
Confronto risultati ottenuti (ED) con:
Risultati articolo di riferimento (GP)
Altri modelli della letteratura (LM, NM)
Validazione
Validazione
Conclusioni
Problema affrontato con ED
Accuratezza dei risultati di ED
Risultato dal confronto
Sviluppi futuri
Altre superficie di risposta su mF
e.g Kriging, Radial Basis function e Neural Network
Sbocchi per future ricerche
Ringraziamenti Prof. Alberto Bartoli
Dott. Alessandro Turco