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