Parkinsons sykdom Wearable Tech: 4 trinn

2024 Forfatter: John Day | [email protected]. Sist endret: 2024-01-30 11:20

Mer enn 10 millioner mennesker verden over lever med Parkinsons sykdom (PD). En progressiv lidelse i nervesystemet som forårsaker stivhet og påvirker pasientens bevegelse. I enklere termer led mange mennesker av Parkinsons sykdom, men det kan ikke helbredes. Hvis dyp hjernestimulering (DBS) er moden nok, er det en sjanse for at PD kan kureres.

Ved å løse dette problemet, vil jeg lage en teknisk enhet som muligens kan hjelpe sykehusene med å tilby PD -pasienter mer nøyaktige og praktiske medisiner.

Jeg opprettet en bærbar teknisk enhet - Nung. Det kan nøyaktig fange pasientens vibrasjonsverdi gjennom dagen. Sporing og analyse av tilbakevendende mønster for å hjelpe sykehus til å ta bedre medisinbeslutninger for hver pasient. Ikke bare gir den nøyaktige data til sykehus, den gir også bekvemmeligheter til PD -pasienter når de besøker legene sine igjen. Vanligvis vil pasientene huske tidligere symptomer og be legen om ytterligere medisinjustering. Imidlertid er det vanskelig å huske hver eneste detalj, og dermed gjøre medisinjusteringen unøyaktig og ineffektiv. Men ved bruk av denne bærbare teknologiske enheten kan sykehus enkelt identifisere vibrasjonsmønsteret.

Trinn 1: Elektronikk

- ESP8266 (wifi -modul)

- SW420 (vibrasjonssensor)

- Brødbrett

- Jumper ledninger

Trinn 2: Nettsted for vibrasjonsmonitor

Ved å tegne dette kan sykehusene visualisere pasientens tilstand live.

1. SW420 fanger opp vibrasjonsdataene fra brukeren

2. Spar tid og vibrasjonsdata til en database (Firebase)

3. Nettstedet vil lagre dataene i databasen

4. Skriv ut en graf (x -akse - tid, y -akse - vibrasjonsverdi)

Trinn 3: Maskinlæringsmodell

Jeg har bestemt meg for å bruke Polynomial Regression -modellen for å identifisere brukerens største gjennomsnittlige vibrasjonsverdi fra en annen tidsperiode. Årsaken er at datapunktene mine ikke viser en åpenbar sammenheng mellom x- og y-aksen, polynom passer til et større krumningsområde og mer nøyaktig prediksjon. Imidlertid er de veldig følsomme for ekstreme høyder. Hvis det er ett eller to anomali datapunkter, vil det påvirke resultatet av grafen.

x_axis = numpy.linspace (x [0], x, 50) # område, generasjon y_axis = numpy.poly1d (numpy.polyfit (x, y, 5)) # draw x y, 5 nth terms

Trinn 4: Montering

På slutten endret jeg noen få elektronikk og bestemte meg for å bruke litiumpolymerbatteri for å drive den bærbare teknologien. Dette er fordi den er oppladbar, lett, liten og kan bevege seg fritt.

Jeg har loddet alt elektronikken sammen, designet saken på Fusion 360 og skrevet den ut i svart for å få hele produktet til å se enkelt og minimalt ut.

Hvis du vil forstå mer om dette prosjektet, kan du sjekke ut nettstedet mitt.