Se discute el desarrollo de habilidades en sistemas y control por parte de estudiantes de ingeniería

biomédica, una tarea desafiante para los instructores. Se describen el programa y su organización en
la Universidad de Coimbra. Desde PID y control difuso hasta el control óptimo, el espacio se ha
creado dentro de varios cursos combinados con otras asignaturas de ingeniería biomédica. El enfoque
se basa en una perspectiva de "aprendizaje por el hecho". El programa y los ejercicios prácticos son
presentados y comentados. Los ejercicios prácticos cubren la mayoría de los temas. © IFAC 2012
Palabras clave: desarrollo curricular, ingeniería biomédica, sistemas y control, estrategias de
aprendizaje, educación de control
Introducción
En la Universidad de Coimbra, los títulos de Ingeniería Biomédica (a nivel de licenciatura y maestría)
incluyen sistemas y conceptos de control distribuidos en varios cursos. En este documento los
contenidos, métodos y experiencias se describen a continuación. La sección 2 describe el programa
apoyado en la metodología de aprendizaje de la sección 3, plastificado en los ejemplos de la sección
4. La bibliografía en la sección 5 y las conclusiones completan la presentación

2. LA ORGANIZACIÓN DE CONCEPTOS (PROGRAMA)

2.1 Los conceptos básicos.
El primer curso donde se introducen los conceptos del sistema es “Modelos computacionales de
procesos fisiológicos”, en el 5º semestre de 6 semestres B.Sc. la licenciatura. Este es un curso
obligatorio para todos los estudiantes de ingeniería biomédica y está destinado a desarrollar
habilidades para el modelado matemático y la simulación de la multiplicidad de sistemas fisiológicos
en el cuerpo humano. La primera parte del curso (15 horas de teoría y 16 horas de ejercicios) se
completa con:

- Los conceptos generales de sistemas introducidos por la teoría general de sistemas de Bertalanfy
(1969) y bien desarrollados en Flood y Carson (1993).

- La descripción de sistemas lineales por ecuaciones diferenciales y Transformada de Laplace.

- La función de transferencia como una herramienta para el análisis y la comprensión de sistemas,

utilizando la conexión entre la dinámica y las características de la función de transferencia.

- Representación del espacio de estados, ecuaciones de estados, eigenstructura y sus conexiones con
estabilidad y propiedades dinámicas.
- Modelado de sistemas no lineales mediante ecuaciones diferenciales, puntos de singularidad,
linealización y estabilidad local. Las curvas de fase en el espacio de estado y su importancia como
retrato de las propiedades fundamentales del sistema no lineal.

- Comportamiento caótico de los sistemas biológicos y fisiológicos y la constante de Feigenbaum

(1979).
Entonces Matlab © / SIMULINK © medio ambiente
Mathworks Inc.) se utiliza ampliamente para el trabajo práctico. Se utilizan aplicaciones biológicas
y fisiológicas siempre que sea posible.

2.2 En el curso de "Computación Neural y Fuzzy", en M.Sc., se estudia el modelado de computación

neuronal y difusa de sistemas complejos no lineales mediante paradigmas basados en datos, tales
como redes neuronales artificiales y sistemas basados en reglas difusas. Nivel, un curso de
especialización obligatorio solo para una parte de los estudiantes (especialidad de Bioinformática y
Clínica Informática). Incluye:

- Redes neuronales artificiales (15h): multicapa, funciones de base radial y arquitecturas recurrentes
con y sin demoras, y su uso como clasificadores de grandes conjuntos de datos.

- Lógica difusa y sistemas basados en reglas difusas (15h). Creación de modelos difusos a partir de
datos mediante agrupamiento (k-means y sustractivo).
- Control difuso, el primer contacto con control que tienen los estudiantes. La experiencia demuestra
que esto es muy positivo, ya que el control difuso se puede enseñar casi como un juego. Esto crea en
la mente de los estudiantes una imagen de control mucho más atractiva que si hubieran comenzado
con el control clásico basado en
Transformada de Laplace. Se introducen los conceptos fundamentales de los sistemas de control
(bucle abierto, bucle cerrado, referencia, perturbaciones, errores, etc.). Los estudiantes reciben una
caja negra (donde hay una función de transferencia dentro), aplican entradas y leen salidas, intentan
construye una imagen mental del sistema y luego escribe las reglas difusas, definiendo previamente
las funciones de membresía de los antecedentes y consecuentes. Los tipos Mamdani y Takagi-Sugeno
son estudiados y experimentados. Por lo general, los estudiantes tienen éxito para obtener un buen
controlador. La caja de herramientas Matlab Fuzzy Logic tiene facilidades que permiten este
ejercicio.
2.3 Control digital y óptimo.
El tercer curso en el que los estudiantes contactan con el control es el de “Algoritmos para el
diagnóstico y la autorregulación”. El "hombre biónico" con órganos artificiales controlados por el
sistema nervioso central, una fusión de biología y electrónica, es la motivación para las teorías
avanzadas de control. Se estudian los siguientes temas:
- Técnicas de discretización, Z-Transform (revisión), función de transferencia discreta y su
identificación recursiva (5h).

- La síntesis de los controladores digitales en un enfoque "hacia afuera": dada la función de

transferencia de bucle cerrado deseada, dada la función de transferencia discreta del proceso (bucle
abierto), derive el controlador digital de ellos para dar forma al bucle cerrado, obedeciendo a las
restricciones de estabilidad y la realizabilidad Se introducen ecuaciones diofánticas y el control PID
discreto se ve como un caso articular (5 h).

- Controladores de cancelación de polo cero: ventajas e inconvenientes (la cancelación imperfecta de

polos y ceros inestables) (5 horas).

- Retroalimentación de estado, en espacio de estado discreto, y cómo configura la ecuación

característica de bucle cerrado mediante un cálculo adecuado de las ganancias de realimentación. El
problema del regulador se trata y se enfrenta como una manera de superar los controladores de
cancelación del polo cero (5 horas).

- Se introduce un control óptimo para el problema del regulador, incluida la ecuación de Ricatti en
versiones recursivas y de estado estacionario. Se presenta como un caso especial de retroalimentación
del estado (5 horas). La organización del programa de estudios se ilustra en la figura 1.
3. METODOLOGÍA DE APRENDIZAJE.
El sistema de sistemas y control es extenso, e incluye la mayoría de las técnicas de control con
relevancia práctica. Si fueran estudiados con todos los detalles y todos los desarrollos matemáticos,
no cabrían en el espacio disponible y la mayoría de los estudiantes no podrían absorberlos. En su
lugar, se sigue un enfoque más de "aprender haciendo": aprenda los aspectos teóricos más importantes
para entender el método, implementarlo y practicar con él, y si es necesario volver a la teoría. El
enfoque de "aprender haciendo" no es empírico, necesita un sólido soporte matemático, pero en lugar
de poner el acento en demostraciones teóricas abstractas, funciona para estimular la curiosidad
intelectual del estudiante mediante el trabajo práctico que involucra varias percepciones. La
flexibilidad de los entornos Matlab / SIMULINK permite la rápida "puesta en marcha" y la
experimentación de los controladores después del ciclo: experimente, analice los resultados, verifique
con la teoría. Esto permite el desarrollo de una imagen mental del campo que apoya el desarrollo de
las habilidades de los estudiantes, y finalmente el objetivo más importante de su educación.

4. ALGUNOS EJERCICIOS EXPERIMENTALES

En el trabajo en grupo (un objetivo educativo en sí mismo), los estudiantes realizan experimentos
computacionales con varios niveles de complejidad. Algunos ejemplos de ejercicios prácticos,
utilizando el software Matlab y Simulink, se describen brevemente a continuación.
4.1 Simulación de la evolución de la población de una especie biológica.

Definiendo una especie biológica (insectos, por ejemplo) como un sistema cuyos individuos viven un
número entero de años, y considerando que la población crece con una limitación dada, la evolución
temporal de la población se simula utilizando un modelo simplificado en la forma de ecuación en
diferencias lineales (1) (Flood (1993)),

donde xk es una fracción del valor máximo de la población en el año k. y A es una constante positiva
que depende de las condiciones ambientales (la disponibilidad de alimentos, agua, clima, etc.). Los
estudiantes, después de crear el modelo, lo simulan y analizan la influencia de los valores de la
población inicial y de la constante A en la evolución temporal de la población.
Los principales objetivos de este trabajo son utilizar métodos de integración numérica de funciones y
considerar métodos numéricos para simular sistemas continuos modelados por ecuaciones
diferenciales. Como ejemplo, el sistema considera la ingestión y excreción de un medicamento que
se muestra en la Fig. 2 (Bruce (2001)).

Figura 2: Sistema de ingestión y excreción de un fármaco.

El medicamento se toma por vía oral, a una tasa u (t), va a los intestinos, donde alcanza una cantidad
x1 (t), y luego es absorbido por el torrente sanguíneo. El torrente sanguíneo, donde el medicamento
alcanza una cantidad x2 (t), pasa a través del riñón (donde se supone que no hay absorción) que
expulsa el medicamento a una tasa y (t) y lo pasa a la orina. En este enfoque, por razones de
simplicidad, se ignoran otras acciones fisiológicas y se ignora la eliminación del fármaco por el
metabolismo celular. En terminología médica el proceso es multicompartimental. Suponiendo que el
riñón es solo un elemento de transición, el proceso tiene solo dos compartimentos. Al ser necesario
encontrar un modelo compartimental del proceso, se puede desarrollar un sistema fluídico
equivalente, como se muestra en la Fig. 3
 Figura 3: Sistema fluídico equivalente a la ingestión y excreción de un fármaco.
Aplicando los principios de los sistemas fluídicos, el balance de masa de cada compartimiento
proporciona las ecuaciones diferenciales para el modelo matemático del sistema general. Suponiendo
que x1 (t) y x2 (t) son los niveles (cantidades) correspondientes y las resistencias fluídicas son las
siguientes:

(2)
donde k1 y k2 son parámetros relacionados con las resistencias fluidas R1 y R2, respectivamente, y
u (t) representa el flujo de ingestión de fármaco.
El modelo se simula utilizando diferentes métodos numéricos (Euler, Runge-Kutta, etc.) para varias
condiciones operativas.
El trabajo práctico incluye el análisis de la sensibilidad de la solución al valor del intervalo de
discretización considerado por el método numérico.
4.3 Estudio de la dinámica de la ventilación artificial de un paciente.
Este trabajo tiene como objetivo introducir algunos conceptos básicos sobre los sistemas lineales e
invariantes en el tiempo como la función de transferencia y las representaciones del espacio de estado,
la respuesta de estado estacionario y transitorio, los polos y ceros, la estabilidad del sistema y las
características de los sistemas de primer y segundo orden. .
Uno de los estudios de caso es un sistema que modela la dinámica respiratoria de un paciente
ventilado, dado por la siguiente ecuación (Bruce (2001)):
donde VL (t) es el volumen de los pulmones, P (t) es la presión diferencial entre la presión de la
ventilación forzada y la presión atmosférica, y a y b son coeficientes que dependen del cumplimiento
total (pulmones + tórax) y de la resistencia al flujo del aire forzado hacia los pulmones. El otro sistema
considerado describe el funcionamiento del músculo esquelético utilizando un modelo con una
ecuación diferencial de segundo orden (4) ((Bruce (2001)),

donde y (t) es la salida, K la constante elástica, B la constante de fricción viscosa, M la masa y u (t)
la entrada (fuerza aplicada). Se hace especial hincapié en la relación entre la función de transferencia
y las representaciones del espacio de estados y en la introducción del control de retroalimentación
para fines de regulación y seguimiento.
4.4 Estudio de la representación espacial estatal de los sistemas y las curvas de fase.
Este trabajo refuerza el estudio de la representación del espacio del estado e introduce el plano de
fase para analizar sistemas no lineales. Los ejercicios se basan en tres estudios de caso: la ingestión y
excreción de un medicamento (ya descrito); la interrelación entre la glucosa en sangre y la insulina
en sangre; y el estudio epidemiológico de una población afectada por dos enfermedades
competidoras. La interrelación entre la glucosa en sangre y la insulina se describe en el modelo (5)
Marmarelis (2004)),

donde G (t) es la concentración de glucosa en plasma, X (t) es la acción de la insulina, I (t) es la

concentración de insulina en plasma, Gb es la concentración basal de glucosa en plasma, p1 y p2 son
los parámetros característicos que describen la cinética de La acción de la glucosa y la insulina y p3
es el parámetro que describe la influencia moduladora de la acción de la insulina en la dinámica de
absorción de la glucosa. Tenga en cuenta que este modelo no tiene en cuenta ni la secreción
pancreática de insulina, inducida por las variaciones de la concentración de glucosa en plasma, ni la
producción final de glucosa por parte de los órganos internos. Los parámetros fisiológicos de la
eficiencia de la glucosa SG = p1 y la sensibilidad a la insulina SI = p3 / p2 se usan ampliamente con
fines clínicos.
El tercer ejemplo describe la situación de una población donde coexisten dos enfermedades que
compiten entre sí, descritas por el modelo (6).

donde S es la fracción de la población sana y, por lo tanto, susceptible a cualquier enfermedad (un
individuo no puede tener ambas simultáneamente), I1 es la fracción de la población infectada por la
enfermedad 1 e I2 es la fracción de la población infectada
por la enfermedad 2. Este sistema de tres órdenes se puede reducir a uno de segundo orden,
considerando que la población es constante y por lo tanto las variables están vinculadas por (7),

dando como resultado el sistema (8).

Este ejemplo promueve el estudio de los puntos singulares de un sistema no lineal, la linealización
del sistema alrededor de los puntos singulares y el análisis de estabilidad, apoyado en las curvas de
fase mediante la aplicación gratuita de planos de Matlab.
(http://math.rice.edu/~dfield/index.html) también disponible en el applet de Java (Polking y Arnold,
1999). La figura 4 muestra un plano de fase de (8).
Figura 4. Retrato de fase para el sistema (8) para valores dados de las constantes. El sistema no lineal
tiene 3 singularidades con diferentes propiedades de estabilidad (atractor, repelente, punto de silla de
montar).

4.5 Identificación recursiva de sistemas lineales discretos.

Un archivo se entrega con las series de tiempo de entrada y salida de un sistema (no conocido por el
alumno) discretizado con una frecuencia de muestreo determinada. Usando la caja de herramientas
de Identificación de Sistemas Matlab, cada grupo estudia el problema de identificación recursiva, la
dependencia del error en el orden del sistema considerado y finalmente propone una función de
transferencia discreta para la serie de tiempo dada.
4.6 Desarrollo de un controlador difuso para un proceso.
Se desarrolla e implementa un controlador difuso utilizando la caja de herramientas Matlab Fuzzy
Logic para un proceso experimental de referencia PT326 (de Feedback). El proceso PT326 es similar
a un secador de pelo: el aire es forzado a circular por un ventilador a través de un tubo y se calienta
en la entrada. Este es un proceso no lineal con un retraso de tiempo puro, que depende de la posición
del elemento sensor de temperatura y del caudal de aire. La entrada del sistema es el voltaje en el
dispositivo de calefacción, que consiste en una malla de cables de resistencia, y la salida, es la
temperatura del aire de salida. Teniendo en cuenta principalmente el comportamiento cualitativo del
proceso de calentamiento, y en base a la teoría del sistema difuso, los estudiantes establecen un
conjunto de reglas en la forma Mamdani
es la variación de la temperatura de salida y u (k) es el voltaje suministrado al dispositivo de
calefacción. Los conjuntos difusos OUT, VOUT e INP se describen mediante términos lingüísticos,
como (Negativo, Normal, Positivo). Aunque no es un dispositivo biomédico, puede compararse con
los sistemas de calefacción, de por ejemplo una incubadora.
4.7 Control digital de un proceso dado por una función de transferencia continua.
Esta es la ocasión para discutir la conversión de analógico a digital (A / D) y digital a analógico (con
orden cero, ZOH) como en la Fig. 4.

Figura 5. El bucle de control digital cerrado con ZOH.

Dados los G (s), los estudiantes:
(i) Desarrollar e implementar el controlador D (z) de tiempo de establecimiento mínimo.
(ii) Desarrollar e implementar un controlador deadbeat.
(iii) Derivar un controlador por cancelación de polo-cero, considerando el comportamiento de bucle
cerrado especificado por el factor de amortiguación y el tiempo de asentamiento.
4.8 Retroalimentación variable de estado discreto de un sistema de segundo orden dada por una
ecuación de estado continuo.
Considerando un proceso de tiempo continuo representado en el espacio estatal, considerando el ZOH
y un período de muestreo dado, se deriva e implementa una retroalimentación discreta del estado. Se
abordan el análisis de estabilidad y el error de estado estable de bucle cerrado.
4.9 Control óptimo de un sistema discreto para un horizonte finito, con la solución recursiva de la
ecuación de Ricatti.
Se proporciona un proceso de tiempo discreto, conocido por ser controlable y observable. El regulador
cuadrático lineal se implementa con el estudio de la influencia relativa de las matrices de penalización
Q (estado) y R (entrada).
5. BIBLIOGRAFÍA DE LOS CURSOS.
Los cursos se desarrollan de acuerdo con la experiencia de los instructores. Sin embargo, hay algunos
libros que los estudiantes deben usar como conocimiento complementario. Por ejemplo, Bertalanfy
(1969), Hoppensteadt y Peskin (2000), Khoo (1999), Ogata (2002), Bronzino (2000), Elizabeth y
Rhodes (2003), Baura (2002), Flood and Carson (2003), Ross ( 2004), Hagan y Coll. (1995).
6. Comentarios de los estudiantes
Los estudiantes en general expresan una evaluación positiva de los tres cursos mencionados
anteriormente. La principal dificultad surge de la falta de conocimiento en programación informática.
Dado que los ejemplos provienen principalmente de problemas biomédicos, son estimulados por ellos
y logran superar estas dificultades. Los estudiantes tienen una sólida formación en matemáticas y
física para alcanzar los objetivos de aprendizaje de estos cursos.
La Universidad tiene un sistema de gestión y control de calidad con respuestas anónimas obligatorias
por parte de los estudiantes, cada semestre, para cada uno de los cursos individuales. Los resultados
promedio de los tres cursos que involucran Sistemas y Control son
Por lo general, 4 en 5, lo que significa una opinión muy positiva sobre ellos. Se pregunta a los
estudiantes sobre varios aspectos: la importancia del curso para su percepción de la vida profesional,
la calidad del estudio y los materiales bibliográficos, la calidad experimentada del aprendizaje, la
coherencia entre la teoría impartida y los ejercicios prácticos, su participación en las actividades de
aprendizaje, la adecuación del número. de alumnos por clase, apreciación global de los profesores,
imparcialidad de la evaluación.
7. CONCLUSIONES
Al final, los estudiantes de Ingeniería Biomédica de la Universidad de Coimbra aprendieron,
experimentaron y desarrollaron habilidades en las principales técnicas de control con importancia
práctica. El control es muy importante en la comprensión de las rutas de retroalimentación en los
sistemas fisiológicos. Es decisivo en la construcción de órganos artificiales, como brazos y piernas
artificiales, y en el control de dispositivos artificiales, como marcapasos o dispositivos de inyección
de insulina para pacientes diabéticos. El control está en el centro de la medicina futura.

Figura 1. La organización de sistemas y planes de estudio de control en el Grado de Ingeniería

Biomédica en la Universidad de Coimbra.
Referencias

Allman Elizabeth S. y John A. Rhodes (2003). Modelos matemáticos en biología: una introducción
por Prensa de la Universidad de Cambridge.

Baura G D (2002). Teoría de sistemas y aplicaciones prácticas de señales biomédicas, (Ingeniería

biomédica S.), John Wiley and Sons.

Bertalanffy, L. (1969). Teoría general de sistemas, George Brazillier, NY.

Boyd, D.W. (2001). Análisis y modelado de sistemas, un enfoque macro a micro con
multidisciplinario Aplicaciones, Prensa Académica.

Bronzino, Joseph D. (Editor) (2000). El biomedico Manual de Ingeniería (Ingeniería Eléctrica)

Manual), Springer Verlag.

Bruce, Eugene N. (2001). Procesamiento biomédico y modelado de señales, John Wiley and Sons.

Feigenbaum, M.J. (1979). "Las propiedades métricas universales de las transformaciones no

lineales". J. Stat. Fis. 21, 669-706.

Flood, R. L. y E. R. Carson (1993). Tratando de Complejidad, una introducción a la teoría y

aplicaciones de la ciencia de sistemas, Plenum Press, NY.

Hagan Martin T., H ,. B. Demuth y M. H. Beale (1995), NNural Network Design, PWS Publishing.

Hoppensteadt Frank C., Charles S. Peskin (2000). Modelado y simulación en medicina y ciencias de
la vida (textos en matemáticas aplicadas), Springer Verlag.

Marmarelis, Vasilis Z. (2004). Modelización dinámica no lineal de sistemas fisiológicos, serie IEEE
en ingeniería biomédica.
Michael Khoo. M. (1999). Sistemas de control fisiológico: análisis, simulación y estimación, J. Wiley
& Sons.

Ogata, K. (2002). Ingeniería de Control Moderna, 4ª ed., Prentice Hall

Polking J. y David Arnold (1999). Ecuaciones diferenciales ordinarias usando MATLAB, Prentice
Hall.

Ross T. (2004). Lógica difusa con aplicaciones de ingeniería, 2ª edición, McGraw Hill