Käytettävä Parkinsonin tauti: 4 vaihetta

2025 Kirjoittaja: John Day | [email protected]. Viimeksi muokattu: 2025-01-13 06:57

Yli 10 miljoonaa ihmistä maailmassa elää Parkinsonin taudin (PD) kanssa. Progressiivinen hermostosairaus, joka aiheuttaa jäykkyyttä ja vaikuttaa potilaan liikkeeseen. Yksinkertaisemmin sanottuna monet ihmiset kärsivät Parkinsonin taudista, mutta sitä ei voida parantaa. Jos syvä aivostimulaatio (DBS) on kypsä, PD: llä on mahdollisuus parantua.

Käsittelemällä tätä ongelmaa luon teknisen laitteen, joka voisi mahdollisesti auttaa sairaaloita tarjoamaan PD -potilaille tarkempia ja käytännöllisiä lääkkeitä.

Luin puettavan teknisen laitteen - Nungin. Se voi tarkkailla potilaan tärinäarvon koko päivän ajan. Toistuvan mallin seuranta ja analysointi auttaa sairaaloita tekemään parempia lääkityspäätöksiä kullekin potilaalle. Se ei ainoastaan tarjoa tarkkoja tietoja sairaaloille, vaan tuo myös mukavuuksia PD -potilaille, kun he käyvät uudelleen lääkäreissään. Yleensä potilaat muistavat aiemmat oireensa ja pyytävät lääkäriä lisää lääkityksen säätämisestä. On kuitenkin vaikea muistaa jokaista yksityiskohtaa, jolloin lääkityksen säätö on epätarkkaa ja tehotonta. Mutta tämän puettavan teknologialaitteen avulla sairaalat voivat tunnistaa tärinäkuvion helposti.

Vaihe 1: Elektroniikka

- ESP8266 (wifi -moduuli)

- SW420 (tärinäanturi)

- Leipälauta

- Hyppyjohdot

Vaihe 2: Värähtelymonitorin verkkosivusto

Kaavioimalla tämän, sairaalat voivat visualisoida potilaan tilan suorana.

1. SW420 kerää tärinätiedot käyttäjältä

2. Tallenna aika- ja tärinätiedot tietokantaan (Firebase)

3. Verkkosivusto saa tietokantaan tallennetut tiedot

4. Tulosta kuvaaja (x -akseli - aika, y -akseli - tärinäarvo)

Vaihe 3: Koneoppimismalli

Olen päättänyt käyttää Polynomial Regression -mallia käyttäjän suurimman keskimääräisen värähtelyarvon määrittämiseksi eri ajanjaksolta. Koska tietopisteeni eivät osoita ilmeistä korrelaatiota x- ja y-akselin välillä, polynomi sopii laajemmalle kaarevuudelle ja tarkemmalle ennustamiselle. Ne ovat kuitenkin erittäin herkkiä poikkeavuuksille, jos yksi tai kaksi poikkeavuuspistettä on, se vaikuttaa kaavion tulokseen.

x_axis = numpy.linspace (x [0], x, 50) # alue, sukupolvi y_axis = numpy.poly1d (numpy.polyfit (x, y, 5)) # draw x y, 5. n. termit

Vaihe 4: Kokoonpano

Lopuksi muutin muutamaa elektroniikkaa ja päätin käyttää litiumpolymeeriakkua puettavan tekniikan virransyöttöön. Tämä johtuu siitä, että se on ladattava, kevyt, pieni ja voi liikkua vapaasti.

Olen juottanut kaiken elektroniikan yhteen, suunnitellut kotelon Fusion 360: een ja tulostanut sen mustana, jotta koko tuote näyttää yksinkertaiselta ja minimaaliselta.

Jos haluat tietää enemmän tästä projektista, tutustu verkkosivustolleni.