Inhoudsopgave:

Draagbare technologie voor de ziekte van Parkinson: 4 stappen
Draagbare technologie voor de ziekte van Parkinson: 4 stappen

Video: Draagbare technologie voor de ziekte van Parkinson: 4 stappen

Video: Draagbare technologie voor de ziekte van Parkinson: 4 stappen
Video: Wearables en apps & Parkinson – ParkinsonTV 2024, November
Anonim
Draagbare technologie voor de ziekte van Parkinson
Draagbare technologie voor de ziekte van Parkinson
Draagbare technologie voor de ziekte van Parkinson
Draagbare technologie voor de ziekte van Parkinson

Wereldwijd leven meer dan 10 miljoen mensen met de ziekte van Parkinson (PD). Een progressieve aandoening van het zenuwstelsel die stijfheid veroorzaakt en de beweging van de patiënt beïnvloedt. Simpel gezegd, veel mensen leden aan de ziekte van Parkinson, maar het is niet te genezen. Als diepe hersenstimulatie (DBS) volwassen genoeg is, is er een kans voor PD om te genezen.

Door dit probleem aan te pakken, zal ik een technisch apparaat maken dat ziekenhuizen mogelijk kan helpen om PD-patiënten nauwkeurigere en praktischere medicijnen te bieden.

Ik heb een draagbaar technisch apparaat gemaakt - Nung. Het kan de trillingswaarde van de patiënt gedurende de dag nauwkeurig vastleggen. Het volgen en analyseren van terugkerende patronen om ziekenhuizen te helpen betere medicatiebeslissingen te nemen voor elke patiënt. Het levert niet alleen nauwkeurige gegevens aan ziekenhuizen, het biedt ook gemak voor PD-patiënten wanneer ze hun arts opnieuw bezoeken. Gewoonlijk zullen patiënten zich hun vroegere symptomen herinneren en de arts vragen om verdere aanpassing van de medicatie. Het is echter moeilijk om elk detail te onthouden, waardoor de medicatieaanpassing onnauwkeurig en inefficiënt wordt. Maar met het gebruik van dit draagbare technische apparaat kunnen ziekenhuizen het trillingspatroon gemakkelijk identificeren.

Stap 1: Elektronica

Elektronica
Elektronica

- ESP8266 (wifi-module)

- SW420 (trillingssensor)

- Broodplank

- Jumper draden

Stap 2: Website Trillingsmonitor

Trillingsmonitor-website
Trillingsmonitor-website

Door dit in een grafiek uit te tekenen, kunnen ziekenhuizen de toestand van de patiënt live visualiseren.

1. SW420 legt de trillingsgegevens van de gebruiker vast

2. Sla de tijd- en trillingsgegevens op in een database (Firebase)

3. De website haalt de gegevens op in de database

4. Voer een grafiek uit (x-as - tijd, y-as - trillingswaarde)

Stap 3: Machine Learning-model

Machine learning-model
Machine learning-model

Ik heb besloten om het Polynomial Regression-model te gebruiken om de grootste gemiddelde trillingswaarde van de gebruiker uit verschillende perioden te identificeren. De reden hiervoor is dat mijn gegevenspunten geen duidelijke correlatie vertonen tussen de x- en y-as, polynoom past bij een breder krommingsbereik en een nauwkeurigere voorspelling. Ze zijn echter erg gevoelig voor uitbijters. Als er een of twee anomaliegegevenspunten zijn, heeft dit invloed op het resultaat van de grafiek.

x_axis = numpy.linspace(x[0], x, 50) # bereik, generatie y_axis = numpy.poly1d(numpy.polyfit(x, y, 5)) # draw x y, 5 nde termen

Stap 4: Montage

samenkomst
samenkomst
samenkomst
samenkomst

Aan het einde paste ik een paar elektronica aan en besloot ik een lithium-polymeerbatterij te gebruiken om de draagbare technologie van stroom te voorzien. Dit komt omdat hij oplaadbaar, licht van gewicht, klein is en vrij kan bewegen.

Ik heb alle elektronica aan elkaar gesoldeerd, de behuizing op Fusion 360 ontworpen en in zwart afgedrukt om het hele product er eenvoudig en minimaal uit te laten zien.

als je meer wilt weten over dit project, neem dan gerust een kijkje op mijn website.

Aanbevolen: