کنترل میزان تزریق انسولین در بیماران دیابتی که مجهز به پمپ انسولین می‌باشند چالش‌های بسیاری را برای محققین ایجاد نموده است. وجود نامعینی‌های متعدد که ناشی از تفاوت‌های فیزیولوژیکی در اشخاص متفاوت می‌باشد به همراه فعالیت‌های گوناگونی که هر شخص ممکن است در طول روز انجام دهد می‌تواند چالش‌های تزریق مناسب انسولین را به بدن بیشتر نماید. علاو‌ه بر این، اثرگذاری با تاخیر ورود کربوهیدرات در میزان قند خون بدن، کنترل انسولین را پیچیده‌تر کرده و ممکن است باعث شرایط خطرناک هایپرگلیسمی و یا هیپوگلیسمی شود. در این مقاله جهت کم اثر کردن نامعینی‌های ذاتی در مدل بیمار (مبتنی بر مدل ریاضی هورکا)، کنترل‌کننده‌های فازی نوع 2 عمومی با برش‌های آلفا پیشنهاد شده و برای پیش‌بینی میزان قند خون در ساعت‌های بعدی از یک سیستم شبکه عصبی به همراه یک مدل رگرسیون خطی استفاده گردیده است. برای تنظیم بعضی از پارامترهای کنترل‌کننده نیز الگوریتم ژنتیک استفاده شده است. برای بررسی اثر بخشی کنترل‌کننده، اختلال‌های متعددی در مدل و ورود کربوهیدرات در سیستم حلقه بسته در نظر گرفته شده است. نتایج شبیه‌سازی نشان می‌دهد که کنترل‌کننده طراحی شده می‌تواند در شرایط متفاوت علاوه بر کنترل قند خون از بروز دو حالت خطرناک هایپرگلیسمی و هیپوگلیسمی جلوگیری نماید. Manuscript profile

Controlling the rate of insulin injection is very important in diabetic patients who are equipped with an insulin pump. The challenges of proper insulin injection into the body can be exacerbated by the presence of uncertainties (due to different physiological differences in individuals) and the different daily activities of each person. Insulin control has also become more complex due to the delayed effect of carbohydrate entry on the body's blood sugar levels, and may lead to dangerous conditions of hyperglycemia or hypoglycemia. In this paper, the aim is to reduce the effect of inherent uncertainties in the patient. The patient model is based on the Hurca mathematical model. General type 2 fuzzy controllers with alpha cuts are proposed. A neural network system with a linear regression model is used to predict blood sugar levels in the following hours. Also the adjustment of a number of controlling parameters has been done using genetic algorithm. To investigate the controlling behavior, several disturbances in the model and the entry of carbohydrates into the closed-loop system have been considered. The simulation results show that the proposed controller can control blood sugar under different conditions. The designed controller also prevents the occurrence of two dangerous states of hyperglycemia and hypoglycemia. Manuscript profile