Φορετή τεχνολογία νόσου Πάρκινσον: 4 βήματα

2024 Συγγραφέας: John Day | [email protected]. Τελευταία τροποποίηση: 2024-01-30 08:31

Περισσότεροι από 10 εκατομμύρια άνθρωποι παγκοσμίως ζουν με τη νόσο του Πάρκινσον (PD). Μια προοδευτική διαταραχή του νευρικού συστήματος που προκαλεί δυσκαμψία και επηρεάζει την κίνηση του ασθενούς. Με πιο απλά λόγια, πολλοί άνθρωποι έπασχαν από τη νόσο του Πάρκινσον, αλλά δεν είναι ιάσιμη. Εάν η βαθιά διέγερση του εγκεφάλου (DBS) είναι αρκετά ώριμη, τότε υπάρχει πιθανότητα η PD να είναι θεραπεύσιμη.

Αντιμετωπίζοντας αυτό το πρόβλημα, θα δημιουργήσω μια τεχνολογική συσκευή που θα μπορούσε ενδεχομένως να βοηθήσει τα νοσοκομεία να προσφέρουν στους ασθενείς με PD πιο ακριβή και πρακτικά φάρμακα.

Δημιούργησα μια φορετή τεχνολογική συσκευή - Nung. Μπορεί να αποτυπώσει με ακρίβεια την τιμή δόνησης του ασθενούς όλη την ημέρα. Παρακολούθηση και ανάλυση επαναλαμβανόμενου μοτίβου για να βοηθήσει τα νοσοκομεία να λαμβάνουν καλύτερες φαρμακευτικές αποφάσεις για κάθε ασθενή. Όχι μόνο παρέχει ακριβή δεδομένα στα νοσοκομεία, φέρνει επίσης ευκολίες στους ασθενείς με PD όταν επισκέπτονται ξανά τους γιατρούς τους. Συνήθως, οι ασθενείς θα θυμούνται τα προηγούμενα συμπτώματά τους και θα ζητούν από το γιατρό περαιτέρω προσαρμογή φαρμάκων. Ωστόσο, είναι δύσκολο να θυμηθούμε κάθε λεπτομέρεια, καθιστώντας έτσι την προσαρμογή του φαρμάκου ανακριβή και αναποτελεσματική. Αλλά με τη χρήση αυτής της φορητής συσκευής τεχνολογίας, τα νοσοκομεία μπορούν να εντοπίσουν το μοτίβο δόνησης με ευκολία.

Βήμα 1: Ηλεκτρονικά

- ESP8266 (μονάδα wifi)

- SW420 (αισθητήρας δόνησης)

- Breadboard

- Καλώδια βραχυκυκλωτήρων

Βήμα 2: Ιστότοπος παρακολούθησης δόνησης

Διαγράφοντας αυτό, τα νοσοκομεία μπορούν να απεικονίσουν την κατάσταση του ασθενούς ζωντανά.

1. Το SW420 καταγράφει τα δεδομένα δόνησης από το χρήστη

2. Εξοικονομήστε χρόνο και δεδομένα δόνησης σε μια βάση δεδομένων (Firebase)

3. Ο ιστότοπος θα λάβει τα δεδομένα που είναι αποθηκευμένα στη βάση δεδομένων

4. Εξάγετε ένα γράφημα (άξονας x - χρόνος, άξονας y - τιμή δόνησης)

Βήμα 3: Μοντέλο μηχανικής εκμάθησης

Αποφάσισα να χρησιμοποιήσω το μοντέλο πολυωνυμικής παλινδρόμησης για να προσδιορίσω τη μεγαλύτερη μέση τιμή δόνησης του χρήστη από διαφορετική χρονική περίοδο. Ο λόγος που τα σημεία δεδομένων μου δεν δείχνουν προφανή συσχέτιση μεταξύ του άξονα x και y, το πολυώνυμο ταιριάζει σε μεγαλύτερο εύρος καμπυλότητας και ακριβέστερη πρόβλεψη. Ωστόσο, είναι πολύ ευαίσθητα σε ακραίες τιμές, εάν υπάρχουν ένα ή δύο σημεία ανωμαλίας δεδομένων, θα επηρεάσει το αποτέλεσμα του γραφήματος.

x_axis = numpy.linspace (x [0], x, 50) # εύρος, γενιά y_axis = numpy.poly1d (numpy.polyfit (x, y, 5)) # draw x y, 5ος όροι

Βήμα 4: Συναρμολόγηση

Στο τέλος, τροποποίησα μερικά ηλεκτρονικά και αποφάσισα να χρησιμοποιήσω μπαταρία πολυμερούς λιθίου για να τροφοδοτήσω τη φορητή τεχνολογία. Αυτό συμβαίνει επειδή είναι επαναφορτιζόμενη, μικρό βάρος, μικρό και μπορεί να κυκλοφορεί ελεύθερα.

Έχω κολλήσει όλα τα ηλεκτρονικά μαζί, σχεδίασα τη θήκη στο Fusion 360 και την εκτύπωσα σε μαύρο χρώμα για να φαίνεται όλο το προϊόν απλό και ελάχιστο.

αν θέλετε να καταλάβετε περισσότερα για αυτό το έργο, μη διστάσετε να επισκεφθείτε τον ιστότοπό μου.