Parkinson Disease Wearable Tech: 4 trin

2024 Forfatter: John Day | [email protected]. Sidst ændret: 2024-01-30 08:25

Mere end 10 millioner mennesker verden over lever med Parkinsons sygdom (PD). En progressiv lidelse i nervesystemet, der forårsager stivhed og påvirker patientens bevægelse. Mere enkelt set led mange mennesker af Parkinsons sygdom, men det kan ikke helbredes. Hvis dyb hjernestimulering (DBS) er moden nok, er der en chance for, at PD kan helbredes.

Ved at løse dette problem vil jeg oprette en teknisk enhed, der muligvis kan hjælpe hospitaler med at tilbyde PD -patienter mere præcise og praktiske lægemidler.

Jeg skabte en bærbar tech -enhed - Nung. Det kan præcist fange patientens vibrationsværdi i løbet af dagen. Sporing og analyse af tilbagevendende mønster for at hjælpe hospitaler med at træffe bedre medicinbeslutninger for hver patient. Det giver ikke kun nøjagtige data til hospitaler, det giver også bekvemmeligheder til PD -patienter, når de besøger deres læger igen. Normalt vil patienter huske deres tidligere symptomer og bede lægen om yderligere medicinjustering. Det er imidlertid svært at huske hver eneste detalje, hvilket gør medicinjusteringen unøjagtig og ineffektiv. Men med brugen af denne bærbare tech -enhed kan hospitaler let identificere vibrationsmønsteret.

Trin 1: Elektronik

- ESP8266 (wifi -modul)

- SW420 (vibrationssensor)

- Brødbræt

- Jumper ledninger

Trin 2: Vibration Monitor Website

Ved at tegne dette ud kan hospitaler visualisere patientens tilstand live.

1. SW420 registrerer vibrationsdata fra brugeren

2. Gem tid og vibrationsdata til en database (Firebase)

3. Webstedet får dataene gemt i databasen

4. Send en graf (x -akse - tid, y -akse - vibrationsværdi)

Trin 3: Machine Learning Model

Jeg har besluttet at bruge Polynomial Regression -modellen til at identificere brugerens største gennemsnitlige vibrationsværdi fra forskellige tidsperioder. Grunden til at mine datapunkter ikke viser en åbenbar sammenhæng mellem x- og y-aksen, passer polynom til et bredere krumningsinterval og mere præcis forudsigelse. De er imidlertid meget følsomme over for outliers, hvis der er et eller to anomali datapunkter, vil det påvirke resultatet af grafen.

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

Trin 4: Montering

Til sidst ændrede jeg et par elektronik og besluttede at bruge litiumpolymerbatteri til at drive den bærbare teknologi. Det er fordi den er genopladelig, let, lille og kan bevæge sig frit rundt.

Jeg har loddet alt elektronikken sammen, designet kassen på Fusion 360 og udskrevet den i sort for at få hele produktet til at se enkelt og minimalt ud.

Hvis du vil forstå mere om dette projekt, er du velkommen til at tjekke min hjemmeside.