Mathematical Modelling of Glucose-Insulin System and Test of Abnormalities of Type 2 Diabetic Patients

This paper presents a mathematical model of glucose-insulin dynamics which is specific for type 2 diabetic patients. The general modelling is obtained by simplification of a global compartmental model by John Thomas Sorensen. The model parameters are estimated using nonlinear optimization and data collected in Rwanda for type 2 diabetic patients. In order to identify and evaluate possible abnormalities of type 2 diabetic patients, the Sampling Importance Resampling (SIR) particle filtering algorithm is used and implemented through discretization of the developed mathematical model. This process is done by clamping insulin and glucose concentrations at around clinical trial values as proposed by Defronzo. Furthermore, for detecting potential abnormalities in type 2 diabetic patients, we compare our results with results obtained from a simulation of the mathematical model for healthy subjects. The proposed mathematical model allows further investigation of the dynamic behavior of glucose, insulin, glucagon, stored insulin, and labile insulin in different organs for type 2 diabetic patients.

An Adaptive Bayesian Melding Method for Reliability Evaluation Via Limited Failure Data: An Application to the Servo Turret

In the early stage of product development, reliability evaluation is an indispensable step before launching a product onto the market. It is not realistic to evaluate the reliability of a new product by a host of reliability tests due to the limiting factors of time and test costs. Evaluating the reliability of products in a short time is a challenging problem. In this paper, an approach is proposed that combines a group of experts’ judgments and limited failure data. Novel features of this approach are that it can reflect various kinds of information without considering the individual weight and reduces aggregation error in the uncertainty quantification of multiple inconsistent pieces of information. First, an expert system is established by the Bayesian best–worst method and fuzzy logic inference, which collects and aggregates a group of expert opinions to estimate the reliability improvement factor. Then, an adaptive Bayesian melding method is investigated to generate a posterior by inaccurate prior knowledge and limited test data; this method is made more computationally efficient by implementing an improved sampling importance resampling algorithm. Finally, an application for the reliability evaluation of a subsystem of a CNC lathe is discussed to illustrate the framework, which is shown to validate the reasonability and robustness of our proposal.

A particle method strategy to estimate subsidence induced by a high-dimensional disc-strain model for reservoir compaction.

<p>This work is part of the "Subsidence" DeepNL project which aims to identify subsurface drivers of subsidence above the Groningen (the Netherlands) gas field and to forecast future subsidence. The hydrocarbon extraction in Groningen induces a pressure reduction in the gas reservoir which triggers compaction and land subsidence. This deep-subsurface process is modeled by a disc-shaped reservoir model, which is a superposition of individual nuclei of strain based on the Geertsma's approach. We estimate the surface deformation and the strength of the disc strain using a particle method. We apply the method to one single nucleus of strain at 3 km depth and extend to a disc-shape geometry. Synthetic experiments with a single nucleus of strain and with discs of varying sizes, 2.2 km to 13.3 km diameter, at 3 km depth are performed to assess the performance of the method for an increasing degree of complexity. Sequential Importance Resampling prevents the sample degeneracy when the number of nuclei increases. Adding a jitter noise in the resampling step avoids an impoverishment of the ensemble values. The results indicate that the method estimates the surface deformation and the strength for a large number of sources and for a relatively small effective ensemble size. In further investigations, localization can provide an additional means to deal with increasing dimensions and a relatively small ensemble size.</p>

Ανθρωποκεντρική μοντελοποίηση με εφαρμογή στη ρομποτική υποβοήθησης

Η ακριβής παρακολούθηση της ανθρώπινης βάδισης αποτελεί σημαντική συνιστώσα για διάφορες ρομποτικές εφαρμογές, όπως οι ρομποτικές πλατφόρμες κινητικής υποβοήθησης με στόχο την παροχή βοήθειας σε ασθενείς με μειωμένη κινητικότητα (mobility assistive robots), οι επονομαζόμενοι κοινωνικοί ρομποτικοί βοηθοί (social robot assistants), κ.α. Μια αρχιτεκτονική ρομποτικού ελέγχου με επίγνωση του περιβάλλοντος απαιτεί ακριβή και αξιόπιστη γνώση της κινητικής κατάστασης του χρήστη σε πραγματικό χρόνο, ώστε να αξιολογείται συνεχώς το επίπεδο της βάδισης του ασθενούς και να προσαρμόζεται η κίνηση του ρομπότ κατάλληλα με στόχο τη βέλτιστη παροχή βοήθειας και υποστήριξης. Σε αυτήν την κατεύθυνση, η παρούσα διατριβή πραγματεύεται θέματα παρακολούθησης της ανθρώπινης βάδισης, και ειδικά της κίνησης των ποδιών ενός χρήστη σε συνεχή και δυναμική διάδραση με ενσωματωμένη ρομποτική πλατφόρμα υποβοήθησης κινητικότητας. Πιο συγκεκριμένα, στο πρώτο στάδιο της διατριβής μελετήθηκε μεθοδολογία παρακολούθησης ανθρώπινης βάδισης με χρήση Φίλτρου Kalman και K-means συσταδοποίησης, καθώς και μεθοδολογίες που χρησιμοποιούν Φίλτρα Σωματιδίων (Particle Filters - PFs) βάσει Ακολουθιακής Επαναδειγματοληψίας Σημαντικότητας (Sequential Importance Resampling - SIR). Στη συνέχεια, αναπτύχθηκε μια νέα μεθοδολογία παρακολούθησης με χρήση ενός PF επαυξημένου μέσω πιθανοτικής συσχέτισης δεδομένων (probabilistic data association - PDA). Παράλληλα, αναπτύχθηκαν μεθοδολογίες για την ανάλυση της ανθρώπινης βάδισης με την εξαγωγή χωροχρονικών παραμέτρων, οι οποίες χρησιμεύουν στην κλινική διάγνωση χαρακτηριστικών παθολογικής βάδισης. Στο επόμενο στάδιο της διατριβής, αναπτύχθηκε μια νέα προσέγγιση παρακολούθησης της ανθρώπινης βάδισης που χρησιμοποιεί δύο PFs με PDA σε ένα πρωτότυπο σχήμα αλληλεπιδραστικού πολλαπλού μοντέλου (Interacting Multiple Model - IMM). Στόχος της μεθοδολογίας αυτής αποτελεί η επιλογή σε πραγματικό χρόνο του κατάλληλου μοντέλου κίνησης σύμφωνα με την ανάλυση της ανθρώπινης βάδισης και τη χρήση του αλγορίθμου Viterbi για μια επαυξημένη εκτίμηση της κατάστασης της ανθρώπινης βάδισης. Η εκτιμώμενη κατάσταση βάδισης επίσης αλληλεπιδρά με το IMM ως μια πρότερη πληροφορία που οδηγεί τη διαδικασία της μαρκοβιανής δειγματοληψίας, ενώ το PDA εξασφαλίζει ότι παρακολουθούνται τα πόδια του ίδιου ανθρώπου-χρήστη. Τα δεδομένα παρατήρησης προέρχονται από έναν ανιχνευτή λέιζερ (laser range finder - LRF), ο οποίος είναι τοποθετημένος επάνω στη ρομποτική πλατφόρμα κινητικής υποβοήθησης. Στο πλαίσιο της παρούσας διατριβής, εκπονήθηκε μια λεπτομερής πειραματική ανάλυση και αξιολόγηση του προτεινόμενου αλγορίθμου χρησιμοποιώντας δεδομένα αληθείας (ground truth) από ένα σύστημα καταγραφής κίνησης (motion capturing), που χρησιμοποιήθηκε σε πραγματικά πειράματα με ηλικιωμένα άτομα που παρουσίαζαν διάφορες κινητικές δυσλειτουργίες. Για την πειραματική επαλήθευση της προτεινόμενης μεθοδολογίας, υπολογίσθηκε η ακρίβεια του αλγορίθμου, αλλά και η ευρωστία του σε περιπτώσεις θορύβου και ανυπαρξίας δεδομένων παρατήρησης, καθώς και η επιτυχία του ως προς την ταξινόμηση της κατάσταση βάδισης, ελέγχοντας την επίδραση διαφορετικού αριθμού δειγμάτων στα PFs. Τα αποτελέσματα για τα ηλικιωμένα άτομα δείχνουν τις δυνατότητες που παρέχει το προτεινόμενο πλαίσιο μεθοδολογίας για εφαρμογή σε πραγματικό χρόνο, λόγω της αποτελεσματικότητάς του ως προς την παροχή ακριβών και αξιόπιστων εκτιμήσεων για την επαυξημένη κατάσταση βάδισης του ανθρώπου με χρήση μικρού αριθμού δειγμάτων στα στοχαστικά φίλτρα εκτίμησης. Εν συνεχεία, η ερευνητική εργασία επικεντρώθηκε στη μελέτη της ευστάθειας κατά τη βάδιση και την αντίστοιχη ανάπτυξη ενός δικτύου βαθιάς μάθησης με χρήση αναδρομικών νευρωνικών δικτύων για την πρόβλεψη της ευστάθειας βάδισης ως ασφαλούς ή επίφοβης για πτώση βάδισης, με χρήση πολυτροπικής πληροφορίας από δεδομένα κάμερας και λέιζερ. Τελική συνεισφορά της παρούσας διατριβής αποτελεί η μελέτη και ανάπτυξη διαφόρων στρατηγικών ελέγχου για τη ρομποτική πλατφόρμα υποβοήθησης με χρήση ανθρωποκεντρικής πληροφορίας σχετικά με την κινητική κατάσταση του εκάστοτε χρήστη. Αρχικά μελετήθηκε και υλοποιήθηκε μια στρατηγική ελέγχου για τον σχηματισμό ανθρώπου-ρομπότ με την ανάπτυξη ενός κινηματικού ελεγκτή που λαμβάνει υπόψη την κινηματική κατηγοριοποίηση του χρήστη προκειμένου να προσαρμόζονται οι βέλτιστες παράμετροι του ελεγκτή σε σχέση με την απόσταση και τον προσανατολισμό του σχήματος άνθρωπος-ρομπότ. Παρά το γεγονός ότι μια τέτοια σχεδίαση είχε καλά αποτελέσματα σε ευθεία πορεία, δεν ήταν δυνατόν να προσαρμόζεται σε πιο σύνθετες κινήσεις που περιλάμβαναν επίσης στροφές. Για το λόγο αυτό, η παρούσα διατριβή ολοκληρώνεται με την παρουσίαση, ανάλυση και υλοποίηση μιας μεθόδου ενισχυτικής μάθησης (reinforcement learning), η οποία ενσωματώνει και ένα βαθύ νευρωνικό δίκτυο για την πρόβλεψη της πρόθεσης κίνησης του ατόμου. Στόχος είναι η εκμάθηση μιας πολιτικής ελέγχου για τον ρομποτικό βοηθό ώστε να προσαρμόζεται στην κινητική κατάσταση και τις προθέσεις του εκάστοτε χρήστη. Εκτενής πειραματική ανάλυση αποδεικνύει την αποτελεσματικότητα της προτεινόμενης μεθόδου σε σχέση με βασικές μεθόδους ελέγχου, αναδεικνύοντας τη δυνατότητα χρήσης της προτεινόμενης μεθοδολογίας ως ικανής ανθρωποκεντρικής στρατηγικής λήψης αποφάσεων για την κίνηση του ρομποτικού βοηθού με προσαρμογή στον εκάστοτε χρήστη.

Analysis of Byzantine Attacks for Target Tracking in Wireless Sensor Networks

Herein, the problem of target tracking in wireless sensor networks (WSNs) is investigated in the presence of Byzantine attacks. More specifically, we analyze the impact of Byzantine attacks on the performance of a tracking system. First, under the condition of jointly estimating the target state and the attack parameters, the posterior Cramer–Rao lower bound (PCRLB) is calculated. Then, from the perspective of attackers, we define the optimal Byzantine attack and theoretically find a way to achieve such an attack with minimal cost. When the attacked nodes are correctly identified by the fusion center (FC), we further define the suboptimal Byzantine attack and also find a way to realize such an attack. Finally, in order to alleviate the negative impact of attackers on the system performance, a modified sampling importance resampling (SIR) filter is proposed. Simulation results show that the tracking results of the modified SIR filter can be close to the true trajectory of the moving target. In addition, when the quantization level increases, both the security performance and the estimation performance of the tracking system are improved.

Modelo bayesiano de producción excedente con autocorrelación serial

Se presenta un modelo simple de producción excedente al que se denomina Modelo de Producción Excedente con Autocorrelación Serial (MPECAS) debido a que considera como único supuesto que la producción excedente presenta correlación serial y no tiene una relación funcional explícita con la biomasa. Su aplicación se logra solo con un índice de abundancia proporcional a una potencia dada de la abundancia media real del recurso y la serie de capturas anuales correspondientes. La estimación de los parámetros del modelo se plantea en un contexto bayesiano utilizando el algoritmo SIR (Sampling Importance Resampling). Se proponen criterios de riesgo sencillos para estimar la Captura Máxima Biológicamente Aceptable (CMBA) y los riesgos asociados a cada nivel de captura hipotética considerada. Se llevó a cabo un ejercicio de simulación para evaluar la capacidad estadística del MPECAS para reproducir la información proporcionada por un modelo operacional de producción excedente de Schaefer considerado como real. Finalmente, se presenta un ejemplo de aplicación con el recurso corvina rubia (Micropogonias furnieri) y se muestran las CMBA para el 5 y 10% de riesgo de disminución de biomasa en el año siguiente al de evaluación calculadas con el modelo de Schaefer y el MPECAS. † El Lic. Daniel R. Hernández falleció el 25 de enero de 2019.