Nešiojama Parkinsono ligos technika: 4 žingsniai

2024 Autorius: John Day | [email protected]. Paskutinį kartą keistas: 2024-01-30 10:44

Daugiau nei 10 milijonų žmonių visame pasaulyje gyvena su Parkinsono liga (PD). Progresuojantis nervų sistemos sutrikimas, sukeliantis standumą ir turintis įtakos paciento judėjimui. Paprasčiau tariant, daugelis žmonių sirgo Parkinsono liga, tačiau ji nėra išgydoma. Jei gilus smegenų stimuliavimas (DBS) yra pakankamai subrendęs, yra tikimybė, kad PD bus išgydytas.

Spręsdamas šią problemą, aš sukursiu technologinį prietaisą, kuris galbūt padėtų ligoninėms pasiūlyti PD pacientams tikslesnius ir praktiškesnius vaistus.

Aš sukūriau nešiojamą technologijų prietaisą - „Nung“. Jis gali tiksliai užfiksuoti paciento vibracijos vertę visą dieną. Pasikartojančio modelio stebėjimas ir analizavimas, siekiant padėti ligoninėms priimti geresnius kiekvieno paciento sprendimus dėl vaistų. Jis ne tik pateikia tikslius duomenis ligoninėms, bet ir suteikia patogumo PD pacientams, kai jie vėl lankosi pas gydytojus. Paprastai pacientai prisimena savo buvusius simptomus ir prašo gydytojo toliau koreguoti vaistus. Tačiau sunku prisiminti kiekvieną smulkmeną, todėl vaistų koregavimas yra netikslus ir neefektyvus. Tačiau naudojant šį nešiojamą technologinį prietaisą ligoninės gali lengvai nustatyti vibracijos modelį.

1 žingsnis: Elektronika

- ESP8266 („Wi -Fi“modulis)

- SW420 (vibracijos jutiklis)

- Bandomoji Lenta

- jungiamieji laidai

2 žingsnis: Vibracijos monitoriaus svetainė

Nagrinėdami tai, ligoninės gali tiesiogiai vizualizuoti paciento būklę.

1. SW420 fiksuoja vibracijos duomenis iš vartotojo

2. Išsaugokite laiko ir vibracijos duomenis duomenų bazėje („Firebase“)

3. Svetainė gaus duomenų bazėje saugomus duomenis

4. Išveskite grafiką (x ašis - laikas, y ašis - vibracijos vertė)

3 žingsnis: mašinų mokymosi modelis

Aš nusprendžiau naudoti polinominės regresijos modelį, kad nustatyčiau didžiausią vidutinę vartotojo vibracijos vertę skirtingu laikotarpiu. Priežastis, kad mano duomenų taškai nerodo akivaizdžios koreliacijos tarp x ir y ašių, daugianaris tinka platesniam kreivumo diapazonui ir tikslesniam prognozavimui. Tačiau jie yra labai jautrūs nukrypimams, jei yra vienas ar du anomalijų duomenų taškai, tai paveiks grafiko rezultatą.

x_axis = numpy.linspace (x [0], x, 50) # diapazonas, y_axis karta = numpy.poly1d (numpy.polyfit (x, y, 5)) # draw x y, 5 n -osios sąlygos

4 žingsnis: Surinkimas

Pabaigoje aš pakeičiau keletą elektronikos elementų ir nusprendžiau naudoti ličio polimero bateriją nešiojamai technikai maitinti. Taip yra todėl, kad jis yra įkraunamas, lengvas, mažas ir gali laisvai judėti.

Lituodavau visą elektroniką, suprojektavau korpusą „Fusion 360“ir atspausdinau juodai, kad visas gaminys atrodytų paprastas ir minimalus.

jei norite daugiau sužinoti apie šį projektą, nedvejodami apsilankykite mano svetainėje.