Parkinsoni tõvega kantav tehnika: 4 sammu

2024 Autor: John Day | [email protected]. Viimati modifitseeritud: 2024-01-30 08:45

Üle 10 miljoni inimese kogu maailmas elab Parkinsoni tõvega (PD). Progressiivne närvisüsteemi häire, mis põhjustab jäikust ja mõjutab patsiendi liikumist. Lihtsamalt öeldes kannatasid paljud inimesed Parkinsoni tõve all, kuid see pole ravitav. Kui sügav aju stimulatsioon (DBS) on piisavalt küps, on PD -d võimalik ravida.

Selle probleemiga tegeledes loon tehnoloogilise seadme, mis võib aidata haiglatel pakkuda PD patsientidele täpsemaid ja praktilisemaid ravimeid.

Lõin kantava tehnikaseadme - Nung. See suudab täpselt haarata patsiendi vibratsiooniväärtust kogu päeva jooksul. Korduva mustri jälgimine ja analüüsimine, mis aitab haiglatel teha iga patsiendi jaoks paremaid ravimeid puudutavaid otsuseid. See mitte ainult ei anna haiglatele täpseid andmeid, vaid pakub ka PD -patsientidele mugavusi, kui nad külastavad oma arste. Tavaliselt tuletavad patsiendid meelde oma varasemaid sümptomeid ja küsivad arstilt täiendavat ravimite kohandamist. Siiski on raske meenutada kõiki üksikasju, muutes seega ravimite kohandamise ebatäpseks ja ebaefektiivseks. Kuid selle kantava tehnikaseadme abil saavad haiglad vibratsioonimustri hõlpsalt tuvastada.

Samm: elektroonika

- ESP8266 (WiFi -moodul)

- SW420 (vibratsiooniandur)

- Leivalaud

- Jumper juhtmed

2. samm: vibratsioonimonitori veebisait

Seda joonistades saavad haiglad reaalajas visualiseerida patsiendi seisundit.

1. SW420 salvestab kasutajalt saadud vibratsiooniandmed

2. Salvestage aeg ja vibratsiooniandmed andmebaasi (Firebase)

3. Veebisait saab andmebaasi salvestatud andmed

4. Väljendage graafik (x -telg - aeg, y -telg - vibratsiooni väärtus)

3. samm: masinõppe mudel

Olen otsustanud kasutada polünoomi regressioonimudelit, et tuvastada kasutaja suurim keskmine vibratsiooniväärtus erinevatel ajaperioodidel. Põhjus, et minu andmepunktid ei näita ilmset korrelatsiooni x- ja y-telje vahel, polünoom sobib laiemale kumeruspiirkonnale ja täpsemale ennustamisele. Kuid nad on väga tundlikud kõrvalekallete suhtes, kui on üks või kaks anomaalia andmepunkti, mõjutab see graafiku tulemust.

x_axis = numpy.linspace (x [0], x, 50) # vahemik, y -telg = numpy.poly1d (numpy.polyfit (x, y, 5)) # draw x y, 5. n

4. samm: kokkupanek

Lõpuks muutsin mõnda elektroonikat ja otsustasin kasutada kantava tehnika toiteks liitium -polümeerakut. Seda seetõttu, et see on laetav, kerge, väike ja saab vabalt ringi liikuda.

Olen kogu elektroonika kokku jootnud, kujundanud korpuse Fusion 360 -le ja prindinud selle musta välja, et kogu toode näeks välja lihtne ja minimaalne.

kui soovite sellest projektist rohkem aru saada, vaadake julgelt minu veebisaiti.