فناوری پوشیدنی بیماری پارکینسون: 4 مرحله

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:51

بیش از 10 میلیون نفر در سراسر جهان با بیماری پارکینسون (PD) زندگی می کنند. اختلال پیشرونده سیستم عصبی که باعث سفتی می شود و بر حرکت بیمار تأثیر می گذارد. به عبارت ساده تر ، بسیاری از مردم از بیماری پارکینسون رنج می بردند اما این بیماری قابل درمان نیست. اگر تحریک عمیق مغز (DBS) به اندازه کافی بالغ باشد ، این احتمال وجود دارد که PD قابل درمان باشد.

با پرداختن به این مشکل ، من یک دستگاه فناوری ایجاد خواهم کرد که احتمالاً به بیمارستانها کمک می کند تا داروهای دقیق تر و کاربردی تری را به بیماران PD ارائه دهند.

من یک دستگاه فناوری پوشیدنی ایجاد کردم - Nung. این می تواند ارزش ارتعاش بیمار را در طول روز به طور دقیق ثبت کند. ردیابی و تجزیه و تحلیل الگوی مکرر برای کمک به بیمارستان ها برای تصمیم گیری بهتر در مورد دارو برای هر بیمار. این نه تنها داده های دقیقی را در اختیار بیمارستان ها قرار نمی دهد ، بلکه هنگام مراجعه مجدد به پزشکان برای بیماران PD نیز راحتی ایجاد می کند. معمولاً بیماران علائم گذشته خود را به یاد می آورند و از پزشک برای تنظیم دارو بیشتر درخواست می کنند. با این حال ، به خاطر سپردن تک تک جزئیات مشکل است ، بنابراین تنظیم دارو نادرست و ناکارآمد می شود. اما با استفاده از این دستگاه فناوری پوشیدنی ، بیمارستان ها می توانند الگوی ارتعاش را با سهولت تشخیص دهند.

مرحله 1: الکترونیک

- ESP8266 (ماژول wifi)

- SW420 (سنسور ارتعاش)

- تخته نان

- سیم های بلوز

مرحله 2: وب سایت مانیتور لرزش

با ترسیم این مورد ، بیمارستان ها می توانند وضعیت بیمار را بصورت زنده تجسم کنند.

1. SW420 داده های ارتعاش را از کاربر ضبط می کند

2. صرفه جویی در زمان و داده های ارتعاش در پایگاه داده (Firebase)

3. وب سایت داده های ذخیره شده در پایگاه داده را دریافت می کند

4. خروجی نمودار (محور x - زمان ، محور y - مقدار ارتعاش)

مرحله 3: مدل یادگیری ماشین

من تصمیم گرفته ام از مدل رگرسیون چند جمله ای برای تعیین بیشترین مقدار متوسط ارتعاش کاربر در بازه های زمانی مختلف استفاده کنم. دلیل این که نقاط داده من همبستگی آشکاری بین محور x و y نشان نمی دهند ، چند جمله ای با طیف وسیع تری از انحناها و پیش بینی دقیق تر مطابقت دارد. با این حال ، آنها بسیار حساس هستند ، اگر یک یا دو نقطه داده ناهنجار وجود داشته باشد ، بر نتیجه نمودار تأثیر می گذارد.

x_axis = numpy.linspace (x [0] ، x ، 50) # محدوده ، نسل y_axis = numpy.poly1d (numpy.polyfit (x ، y ، 5)) # رسم x y ، 5 دوره نهم

مرحله 4: مونتاژ

در پایان ، چند دستگاه الکترونیکی را تغییر دادم و تصمیم گرفتم از باتری لیتیوم پلیمر برای تأمین انرژی این فناوری پوشیدنی استفاده کنم. این به این دلیل است که قابل شارژ ، سبک ، کوچک است و می تواند آزادانه در اطراف حرکت کند.

من تمام قطعات الکترونیکی را با هم لحیم کردم ، قاب را روی Fusion 360 طراحی کردم و با رنگ مشکی چاپ کردم تا کل محصول ساده و مینیمال به نظر برسد.

اگر می خواهید در مورد این پروژه بیشتر بدانید ، وب سایت من را بررسی کنید.