人工胰脏是传统胰岛素强化治疗的延伸,能协助一型糖尿病患者进行血糖管理,使其血糖维持在正常范围内。传统意义的人工胰脏包含三个部分:持续血糖监测装置(血糖传感器),以一定时间间隔测量血糖浓度;注射执行装置,定量注射胰岛素调节血糖浓度;闭环控制算法,根据血糖测量值计算出合适的胰岛素注射量和注射时间。由于技术条件的限制,现有的人工胰脏系统并不能完全满足一型糖尿病患者血糖管理需求,改善闭环算法是提升控制性能的关键。模型预测控制是人工胰脏最常用的闭环算法。血糖预测模型是预测控制的基础,控制性能与模型预测准确度息息相关。因此,为了提高人工胰脏闭环性能,本文集中研究血糖预测模型应用于人工胰脏闭环的关键问题。血糖预测模型功能是根据历史血糖测量值预测未来血糖水平的波动。根据建模原理不同,血糖预测模型可以归纳为数据驱动模型和葡萄糖-胰岛素生理模型两类。数据驱动时间序列模型最为常用,但其血糖预测精度受到血糖测量值不准确、辨识方法等众多因素的影响。本文从数据驱动时间序列模型入手,分析实际因素和辨识过程对时间序列血糖模型辨识的影响。仿真数据用于评估模型类别、个体差异和进食不确定性对辨识结果影响,临床数据用来评估参数估计方法对模型辨识的影响。葡萄糖-胰岛素生理模型是根据人体血糖代谢过程建立的一系列数学表达式。生理模型中多数参数都有实际的物理意义,所以可以量化代谢过程中的影响因素,如胰岛素敏感度等。因此,生理模型应用于人工胰脏闭环算法设计有其独特的优势。本文尝试将生理模型应用于闭环算法设计,但这个过程中实现存在以下难题。1)复杂的生理模型往往受限于众多参数和复杂的结构,并不能直接应用于人工胰脏闭环;2)在人工胰脏往小型化可穿戴化发展的过程中,硬件实现是生理模型应用的另一难题;3)昼夜节律,精神压力和运动等因素都会影响胰岛素敏感度,这是生理模型应用过程必须考量的因素。针对上述难题,本文以Cobelli葡萄糖-胰岛素生理模型为例,使用常用的模型降阶方法对Cobelli模型进行降阶化简。然后,提出完整的生理模型硬件实现流程,实现简化后Cobelli模型的FPGA硬件实现。最后,本文选取文献中量化的胰岛素敏感因子关键点,仿真实现了一型糖尿病患者24小时胰岛素敏感度变化曲线。一方面,本文将三种不同的模型降阶方法应用于Cobelli模型的降阶简化,获得一个适用于闭环算法设计的葡萄糖-胰岛素代谢模型,这三种方法分别是Pade逼近,Routh逼近以及系统辨识线性逼近。结果表明,模型降阶方法有效减少了模型参数,降低了模型复杂度,使Cobelli模型能够用于闭环算法的设计。另一方面,本文提出完整的硬件设计流程,以完成简化后Cobelli模型的FPGA硬件实现。同时,仿真实现了24小时胰岛素敏感度变化的昼夜模式,用以评估胰岛素敏感度对生理模型的影响。总之,本文讨论了影响数据驱动模型应用于人工胰脏的潜在问题;提出了一种复杂生理模型简化和硬件实现方法,解决了生理模型应用于人工胰脏的难题,获得能用于人工胰脏中预测控制器的简化生理模型和硬件模型。这将在一定程度上提升人工胰脏系统的闭环控制性能。