Technika do noszenia w chorobie Parkinsona: 4 kroki

2024 Autor: John Day | [email protected]. Ostatnio zmodyfikowany: 2024-01-30 11:26

Ponad 10 milionów ludzi na całym świecie żyje z chorobą Parkinsona (PD). Postępujące zaburzenie układu nerwowego, które powoduje sztywność i wpływa na ruchy pacjenta. Mówiąc prościej, wiele osób cierpiało na chorobę Parkinsona, ale nie można jej wyleczyć. Jeśli głęboka stymulacja mózgu (DBS) jest wystarczająco dojrzała, istnieje szansa na wyleczenie PD.

Rozwiązując ten problem, stworzę urządzenie technologiczne, które może pomóc szpitalom w oferowaniu pacjentom z chorobą Parkinsona bardziej dokładnych i praktycznych leków.

Stworzyłem urządzenie techniczne do noszenia – Nung. Może dokładnie rejestrować wartość wibracji pacjenta w ciągu dnia. Śledzenie i analizowanie powtarzających się wzorców, aby pomóc szpitalom w podejmowaniu lepszych decyzji dotyczących leków dla każdego pacjenta. Nie tylko zapewnia szpitalom dokładne dane, ale także zapewnia wygodę pacjentom z chorobą Parkinsona podczas ponownej wizyty u swoich lekarzy. Zazwyczaj pacjenci przypominają sobie przeszłe objawy i proszą lekarza o dalsze dostosowanie leków. Trudno jednak przypomnieć sobie każdy szczegół, przez co dostosowanie leków jest niedokładne i nieefektywne. Jednak za pomocą tego urządzenia technicznego do noszenia szpitale mogą z łatwością zidentyfikować wzorzec wibracji.

Krok 1: Elektronika

- ESP8266 (moduł wifi)

- SW420 (czujnik drgań)

- Deska do krojenia chleba

- Przewody połączeniowe

Krok 2: Witryna monitora wibracji

Przedstawiając to na wykresie, szpitale mogą na żywo wizualizować stan pacjenta.

1. SW420 rejestruje dane o wibracjach od użytkownika

2. Zapisz dane dotyczące czasu i wibracji w bazie danych (Firebase)

3. Serwis otrzyma dane przechowywane w bazie danych

4. Wygeneruj wykres (oś x - czas, oś y - wartość drgań)

Krok 3: Model uczenia maszynowego

Zdecydowałem się użyć modelu regresji wielomianowej do identyfikacji największej średniej wartości drgań użytkownika z różnych okresów czasu. Powodem jest to, że moje punkty danych nie wykazują oczywistej korelacji między osią x i y, wielomian pasuje do szerszego zakresu krzywizny i dokładniejszego przewidywania. Są jednak bardzo wrażliwe na wartości odstające, jeśli istnieje jeden lub dwa punkty danych anomalii, wpłynie to na wynik wykresu.

x_axis = numpy.linspace(x[0], x, 50) # zakres, generacja y_axis = numpy.poly1d(numpy.polyfit(x, y, 5)) # narysuj x y, 5 n-tych wyrazów

Krok 4: Montaż

Na koniec zmodyfikowałem kilka elektroniki i zdecydowałem się użyć baterii litowo-polimerowej do zasilania urządzenia do noszenia. Dzieje się tak, ponieważ jest ładowalny, lekki, mały i może się swobodnie poruszać.

Zlutowałem całą elektronikę, zaprojektowałem obudowę na Fusion 360 i wydrukowałem ją w kolorze czarnym, aby cały produkt wyglądał na prosty i minimalistyczny.

jeśli chcesz dowiedzieć się więcej o tym projekcie, zapraszam do odwiedzenia mojej strony internetowej.