Parkinsons sjukdom bärbar teknik: 4 steg

2024 Författare: John Day | [email protected]. Senast ändrad: 2024-01-30 12:35

Mer än 10 miljoner människor världen över lever med Parkinsons sjukdom (PD). En progressiv störning i nervsystemet som orsakar stelhet och påverkar patientens rörelse. I enklare termer drabbades många av Parkinsons sjukdom, men det är inte botbart. Om djup hjärnstimulering (DBS) är tillräckligt mogen, finns det en chans att PD kan botas.

Genom att ta itu med detta problem kommer jag att skapa en teknisk enhet som möjligen kan hjälpa sjukhusen att erbjuda PD -patienter mer exakta och praktiska mediciner.

Jag skapade en bärbar teknisk enhet - Nung. Det kan exakt fånga patientens vibrationsvärde under hela dagen. Spåra och analysera återkommande mönster för att hjälpa sjukhusen att fatta bättre läkemedelsbeslut för varje patient. Det ger inte bara exakta uppgifter till sjukhus, det ger också bekvämligheter för PD -patienter när de återbesöker sina läkare. Vanligtvis kommer patienter att komma ihåg sina tidigare symtom och be läkare om ytterligare medicinering. Det är dock svårt att komma ihåg varenda detalj, vilket gör att medicinjusteringen blir felaktig och ineffektiv. Men med hjälp av denna bärbara tekniska enhet kan sjukhus lätt identifiera vibrationsmönstret.

Steg 1: Elektronik

- ESP8266 (wifi -modul)

- SW420 (vibrationssensor)

- Brödbräda

- Tröjor

Steg 2: Vibration Monitor Webbplats

Genom att rita ut detta kan sjukhus visualisera patientens tillstånd live.

1. SW420 fångar upp vibrationsdata från användaren

2. Spara tid och vibrationsdata till en databas (Firebase)

3. Webbplatsen kommer att lagra data i databasen

4. Mata ut en graf (x -axel - tid, y -axel - vibrationsvärde)

Steg 3: Maskininlärningsmodell

Jag har bestämt mig för att använda Polynomial Regression -modellen för att identifiera användarens största genomsnittliga vibrationsvärde från olika tidsperioder. Anledningen är att mina datapunkter inte visar en uppenbar korrelation mellan x- och y-axeln, polynom passar bredare krökningsintervall och mer exakta förutsägelser. De är dock mycket känsliga för outliers, om det finns en eller två anomali datapunkter påverkar det resultatet av grafen.

x_axis = numpy.linspace (x [0], x, 50) # intervall, generation y_axis = numpy.poly1d (numpy.polyfit (x, y, 5)) # draw x y, 5 nth termer

Steg 4: Montering

I slutet ändrade jag några elektronik och bestämde mig för att använda litiumpolymerbatteri för att driva den bärbara tekniken. Detta beror på att den är uppladdningsbar, lätt, liten och kan röra sig fritt.

Jag har lödt ihop all elektronik, designat fodralet på Fusion 360 och skrivit ut det i svart för att få hela produkten att se enkel och minimal ut.

om du vill förstå mer om det här projektet, kolla gärna in min webbplats.