Personen mit Diabetes Typ 1 m¨ussen ihren Blutzucker durch eine externe Insulingabe in einem sicheren Bereich halten. Diese Regelung des Blutzuckers ist sehr anspruchsvoll und muss ¨außerst genau erfolgen, um gesundheitliche Schäden zu vermeiden. Eine automatische Regelung, welche die Insulindosierung selbständig übernimmt, wäre ein wesentlicher Fortschritt. Ziel dieser Arbeit war die Implementierung einer Closed-Loop-Glukoseregelung mittels
probabilistischer Modelle. Im Bereich der probabilistischen Modelle wurden Bayes?sche Netze
mit diskreten und kontinuierlichen Knoten untersucht. Zur Beschreibung des Glukosehaushalts wurden dynamische Bayes?sche Netze mit kontinuierlichen Knoten (Erweiterung des Bayes?schen Netzes mit kontinuierlichen Knoten) verwendet, da diese Modelle die genauesten
Blutzuckervorhersagen lieferten.
Das probabilistische Modell wurde zur Auslegung eines stochastischen MPC verwendet. Der stochastische MPC ber¨ucksichtigt die bestimmte Unsicherheit des Modells und versucht den Blutzucker im euglykämischen Bereich zwischen zwei definierten Blutzuckergrenzen zu
regeln. Zum Vergleich wurden ein Standard-MPC, der auf einen Referenzwert regelt, und ein zweiter stochastischer MPC mit IOB (Insulin on Board) implementiert. Alle Regelungen verwenden das gleiche mathematische Modell jedoch wird beim Standard-MPC die Unsicherheit
der BG-Vorhersage nicht berücksichtigt. Anhand der Regelergebnisse konnte gezeigt werden, dass der stochastische MPC verglichen zum Standard-MPC bei annähernd gleicher Reglerperformance weniger Insulin verabreicht
und somit besser für die Blutzuckerregelung geeignet ist. Der stochastische MPC mit IOB
verabreicht viel zu wenig Insulin und ist für die Regelung überhaupt nicht geeignet.