Tehnika nošenja Parkinsonove bolesti: 4 koraka

2024 Autor: John Day | [email protected]. Zadnja promjena: 2024-01-30 09:31

Više od 10 milijuna ljudi u svijetu živi s Parkinsonovom bolešću (PD). Progresivni poremećaj živčanog sustava koji uzrokuje ukočenost i utječe na kretanje pacijenta. Jednostavnije rečeno, mnogi su ljudi patili od Parkinsonove bolesti, ali nije izlječiva. Ako je duboka stimulacija mozga (DBS) dovoljno zrela, postoji šansa da se PD izliječi.

Rješavanjem ovog problema stvorit ću tehnološki uređaj koji bi bolnicama mogao pomoći da pacijentima s PD ponude točnije i praktičnije lijekove.

Napravio sam nosivi tehnološki uređaj - Nung. Može točno zabilježiti pacijentovu vrijednost vibracije tijekom dana. Praćenje i analiziranje ponavljajućeg uzorka pomaže bolnicama u donošenju boljih odluka o lijekovima za svakog pacijenta. Ne samo da bolnicama pruža točne podatke, već i pacijentima s PD donosi pogodnosti pri ponovnom posjetu liječnicima. Obično se pacijenti prisjećaju svojih prošlih simptoma i traže od liječnika daljnju prilagodbu lijekova. Međutim, teško je prisjetiti se svakog pojedinosti, pa prilagodba lijeka postaje netočna i neučinkovita. No, pomoću ovog nosivog tehnološkog uređaja bolnice mogu s lakoćom identificirati uzorak vibracija.

Korak 1: Elektronika

- ESP8266 (WiFi modul)

- SW420 (senzor vibracija)

- Oglasna ploča

- Žice za kratkospojnike

Korak 2: Web stranica za praćenje vibracija

Iscrtavanjem ovoga bolnice mogu uživo prikazati stanje pacijenta.

1. SW420 bilježi podatke o vibracijama od korisnika

2. Spremite vrijeme i podatke o vibracijama u bazu podataka (Firebase)

3. Web stranica će dobiti podatke pohranjene u bazi podataka

4. Iznesite grafikon (os x - vrijeme, os y - vrijednost vibracije)

Korak 3: Model strojnog učenja

Odlučio sam upotrijebiti model polinomske regresije za identifikaciju najveće prosječne vrijednosti vibracije korisnika iz različitog vremenskog razdoblja. Razlog tome što moje podatkovne točke ne pokazuju očitu korelaciju između osi x i y, polinom odgovara širem rasponu zakrivljenosti i točnijem predviđanju. Međutim, vrlo su osjetljivi na odstupanja, ako postoje jedna ili dvije točke podataka o anomalijama, to će utjecati na rezultat grafikona.

x_osovina = numpy.linspace (x [0], x, 50) # raspon, generacija y_axis = numpy.poly1d (numpy.polyfit (x, y, 5)) # izvući x y, 5 n -ti izraz

Korak 4: Montaža

Na kraju sam izmijenio nekoliko elektroničkih uređaja i odlučio koristiti litij -polimernu bateriju za napajanje nosive tehnologije. To je zato što je punjiva, male težine, mala i može se slobodno kretati.

Spajao sam svu elektroniku zajedno, dizajnirao kućište na Fusion 360 i ispisao ga u crnoj boji kako bi cijeli proizvod izgledao jednostavno i minimalno.

ako želite saznati više o ovom projektu, slobodno posjetite moju web stranicu.