Fred Godtliebsen

535x400 Toppforsk Fred Godtliebsen

Fred Godtliebsen

A smart controller for type 1 diabetes using reinforcement learning and scale-space representation

VERTSINSTITUTT: Institutt for matematikk og statistikk (IMS), Fakultet for naturvitenskap og teknologi (NT)
PERIODE: 2016-2020
BEVILGNING: 8,7 MNOK
HJEMMESIDE1
HJEMMESIDE2

Fred Godtliebsen har tatt siv.ing. og dr.ing. grader i statistikk ved Norges Tekniske Høgskole (NTH) i henholdsvis 1985 og 1989. Han arbeidet som førsteamanuensis ved NTH fram til 1994, og etter den tid har han vært ansatt ved Universitetet i Tromsø hvor han har vært professor i statistikk siden 1996. Godtliebsen har tidligere hatt Prof 2 stillinger ved Nasjonal senter for telemedisin (NST) og Norsk Polarinstitutt (NP). Fra april 2016 er han Prof 2 i statistikk ved Nasjonalt senter for ehelseforskning (NSE) i Tromsø. Godtliebsen har veiledet 10 PhD studenter og publisert mer enn 100 artikler i vitenskapelige tidsskrifter. Han var en av gruppelederne i Tromsø Telemedicine Laboratory, et tidligere senter for forskningsdrevet innovasjon (SFI) finansiert av Norges Forskningsråd og næringsliv. Siden 2009 har Godtliebsen vært prodekan for forskning ved Fakultet for Naturvitenskap og Teknologi ved Universitetet i Tromsø. Ikkeparametriske metoder, flerskala-analyse, mønstergjenkjenning og bildeprosessering står sentralt i Godtliebsens vitenskapelige produksjon.

I dette prosjektet, er det underliggende målet å utvikle robuste algoritmer som kan brukes til å holde blodsukkernivået på et riktig og stabilt nivå i personer med type 1 diabetes. Hovedideen er å foreslå algoritmer som til enhver tid kan foreslå fornuftige handlinger basert på personens tilstand. Et vellykket system vil gi pasienten blodsukkernivåer som holder seg innenfor et anbefalt intervall. Viktige inngangsdata til modellen er tidligere blodsukkermålinger, inntak av måltider og fysisk aktivitet. De mulige handlingene er i hovedsak beskrevet av den insulinmengden pasienten tar på et bestemt tidspunkt.

Algoritmen lærer seg over tid hva som er fornuftige handlinger i gitte situasjoner og vil etter hvert gi en algoritme som er individuelt tilpasset. Siden ny teknologi av denne typen ikke kan testes ut direkte på personer, bruker vi simuleringsverktøy for å studere egenskapene til de foreslåtte algoritmene. Når vi finner nye metoder som gir lovende resultater, kan de undersøkes videre i kliniske studier i framtidige prosjekter.

Siden algoritmene vi arbeider med er veldig generelle, tester vi de også ut i en god del andre situasjoner. Noen eksempler på andre anvendelser er skadebegrensning knyttet til klimaendringer, fornybar energi, optimal behandling av smertepasienter og bedre behandlinger ved intensivavdelinger.

Media coverage:

A smart controller for T1D using RL and SS representation

Scientific publications:

  • Ngo, P., Wei, S.,  Holubova, A.,  Muzik, J. & Godtliebsen, F. (2018): Control of Blood Glucose for Type-1 Diabetes by Using Reinforcement Learning with Feed-Forward Algorithm, Computational and Mathematical Methods in Medicine. (Accepted)
  • Møllersen, K., Hardeberg, J.Y., & Godtliebsen, F. (2018): A bag-to-class divergence approach to multiple-instance learning. Pattern Recognition. (Under revision)
  • Hindberg, K., Hannig, J., & Godtliebsen, F. (2018): A novel scale-space approach for multinormality testing and the k-sample problem in the high dimension low sample size scenario. PLOS ONE. (Tentatively accepted)
  • Tejedor, M., Woldaregay A. Z.,  & Godtliebsen, F. (2018): Reinforcement Learning Application in Diabetes Blood Glucose Control: A Systematic Review, Artificial Intelligence in Medicine. (Submitted)
  • Ngo P., & Godtliebsen, F. (2018): Data-Driven Robust Control Using Reinforcement Learning, IEEE Transactions on Automatic Control (Submitted)

Conference contributions   

  • Woldaregay, A. Z.; Årsand, E.; Hartvigsen, G.: Data Driven Blood Glucose Prediction: Interval vs. Point Blood Glucose Prediction? ATTD 2017; 2017-02-15 – 2017-02-18.
  • Ngo, P., Myhre, J., & Godtliebsen, F. (2017): Reinforcement Learning Algorithm for Patients with Type-1 Diabetes. In The Multi-Disciplinary Conference on Reinforcement Learning and Decision Making (RLDM). Ann Arbor, MI.
  • Ngo, P., Tejedor, M., & Godtliebsen, F. (2018): A Decision Support Tool for Optimal Control of Planet Temperature using Reinforcement Learning. In 17th Conference on Artificial and Computational Intelligence and its Applications to the Environmental Sciences. Austin, Texas. https://ams.confex.com/ams/98Annual/webprogram/Paper327852.html
  • Ngo, P., Wei, S., Holubová, A., Muzik, J., & Godtliebsen, F. (2018): Reinforcement-Learning Optimal Control for Type-1 Diabetes. In The IEEE Conference on Biomedical and Health Informatics (BHI). Las Vegas, Nevada. https://ieeexplore.ieee.org/document/8333436/
  • Ngo, P., & Godtliebsen, F. (2018): Data-Driven Robust Control Using Reinforcement Learning. In SICE International Symposium on Control Systems. Tokyo, Japan.
  • Myhre, J.N., Launonen, I., Wei, S. & Godtliebsen, F. (2018): Controlling Blood Glucose Levels in Patients with Type 1 Diabetes Using Fitted Q-iterations and Functional Features, IEEE 28th International Workshop on Machine Learning for Signal Processing, Aalborg, Denmark, 2018.

Submitted conference contributions:

  • Myhre, J.N., Launonen, I., Tejedor, M. & Godtliebsen, F. (2018): In-silico Evaluation of Trust Region Policy Optimization for T1DM Closed-Loop Control, Advanced Technologies & Treatments for Diabetes, Berlin, Germany, 2019.
  • Ngo, P. & Godtliebsen, F. (2019): Smart Renewable Micro-Grid Control Using Reinforcement Learning, Arctic Frontiers – Smart Arctic, Tromsø, Jan 2019.