Pārnēsājama Parkinsona slimības tehnika: 4 soļi

2024 Autors: John Day | [email protected]. Pēdējoreiz modificēts: 2024-01-30 10:51

Vairāk nekā 10 miljoni cilvēku visā pasaulē dzīvo ar Parkinsona slimību (PD). Progresējoši nervu sistēmas traucējumi, kas izraisa stīvumu un ietekmē pacienta kustību. Vienkāršāk sakot, daudzi cilvēki cieta no Parkinsona slimības, bet to nevar izārstēt. Ja dziļa smadzeņu stimulācija (DBS) ir pietiekami nobriedusi, pastāv iespēja, ka PD var izārstēt.

Risinot šo problēmu, es izveidošu tehnoloģiju ierīci, kas, iespējams, varētu palīdzēt slimnīcām piedāvāt PD pacientiem precīzākus un praktiskākus medikamentus.

Es izveidoju valkājamu tehnoloģiju ierīci - Nung. Tas var precīzi uztvert pacienta vibrācijas vērtību visas dienas garumā. Atkārtota modeļa izsekošana un analīze, lai palīdzētu slimnīcām pieņemt labākus lēmumus par medikamentiem katram pacientam. Tas ne tikai sniedz precīzus datus slimnīcām, bet arī sniedz ērtības PD pacientiem, kad viņi atkārtoti apmeklē ārstus. Parasti pacienti atcerēsies savus iepriekšējos simptomus un lūgs ārstam turpmāku zāļu pielāgošanu. Tomēr ir grūti atcerēties katru detaļu, tādējādi padarot zāļu pielāgošanu neprecīzu un neefektīvu. Bet, izmantojot šo valkājamo tehnoloģiju ierīci, slimnīcas var viegli noteikt vibrācijas modeli.

1. darbība: elektronika

- ESP8266 (wifi modulis)

- SW420 (vibrācijas sensors)

- Maizes dēlis

- Jumper vadi

2. darbība. Vibrāciju monitora vietne

Apzīmējot to, slimnīcas var vizualizēt pacienta stāvokli tiešraidē.

1. SW420 uztver vibrācijas datus no lietotāja

2. Ietaupiet laiku un vibrācijas datus datu bāzē (Firebase)

3. Vietne iegūs datu bāzē saglabātos datus

4. Izvadiet diagrammu (x ass - laiks, y ass - vibrācijas vērtība)

3. darbība: mašīnmācīšanās modelis

Esmu nolēmis izmantot polinomālās regresijas modeli, lai noteiktu lietotāja lielāko vidējo vibrācijas vērtību dažādos laika periodos. Tā kā mani datu punkti neuzrāda acīmredzamu korelāciju starp x un y asi, polinoms atbilst plašākam izliekuma diapazonam un precīzākai prognozēšanai. Tomēr tie ir ļoti jutīgi pret novirzēm, ja ir viens vai divi anomāliju datu punkti, tas ietekmēs diagrammas rezultātu.

x_axis = numpy.linspace (x [0], x, 50) # diapazons, y_axis paaudze = numpy.poly1d (numpy.polyfit (x, y, 5)) # draw x y, 5 nth termini

4. solis: montāža

Beigās es pārveidoju dažas elektronikas ierīces un nolēmu izmantot litija polimēru akumulatoru, lai darbinātu valkājamo tehnoloģiju. Tas ir tāpēc, ka tas ir uzlādējams, viegls, mazs un var brīvi pārvietoties.

Es esmu salodējis visu elektroniku kopā, izstrādājis korpusu Fusion 360 un izdrukājis to melnā krāsā, lai viss izstrādājums izskatītos vienkāršs un minimāls.

ja vēlaties uzzināt vairāk par šo projektu, lūdzu, apskatiet manu vietni.