Պարկինսոնի հիվանդության կրելի տեխնիկա. 4 քայլ

2024 Հեղինակ: John Day | [email protected]. Վերջին փոփոխված: 2024-01-30 09:45

Աշխարհում ավելի քան 10 միլիոն մարդ ապրում է Պարկինսոնի հիվանդությամբ (ՊԴ): Նյարդային համակարգի առաջադեմ խանգարում, որն առաջացնում է խստություն և ազդում հիվանդի շարժման վրա: Ավելի պարզ ասած ՝ շատ մարդիկ տառապում էին Պարկինսոնի հիվանդությամբ, սակայն այն բուժելի չէ: Եթե ուղեղի խորը խթանումը (DBS) բավականաչափ հասուն է, ապա PD- ի բուժելի լինելու հնարավորություն կա:

Անդրադառնալով այս խնդրին ՝ ես կստեղծեմ տեխնոլոգիական սարք, որը կարող է օգնել հիվանդանոցներին առաջարկել PD հիվանդներին առավել ճշգրիտ և գործնական դեղամիջոցներ:

Ես ստեղծեցի կրելի տեխնոլոգիական սարք ՝ Նունգ: Այն կարող է ճշգրիտ կերպով գրավել հիվանդի թրթռման արժեքը ողջ օրվա ընթացքում: Հետևելը և վերլուծելը, որը կօգնի հիվանդանոցներին ավելի լավ դեղորայքային որոշումներ կայացնել յուրաքանչյուր հիվանդի համար: Դա ոչ միայն ճշգրիտ տվյալներ է տալիս հիվանդանոցներին, այլև հարմարավետություն է բերում PD հիվանդներին, երբ նրանք նորից այցելեն իրենց բժիշկներին: Սովորաբար, հիվանդները կհիշեն իրենց նախկին ախտանիշները և բժշկից դեղորայքի հետագա ճշգրտման համար կպահանջեն: Այնուամենայնիվ, դժվար է հիշել յուրաքանչյուր մանրուք ՝ դրանով իսկ դեղորայքի ճշգրտումը դարձնելով ոչ ճշգրիտ և անարդյունավետ: Բայց այս կրելի տեխնոլոգիական սարքի օգտագործմամբ հիվանդանոցները կարող են հեշտությամբ որոշել թրթռման օրինակը:

Քայլ 1: Էլեկտրոնիկա

- ESP8266 (wifi մոդուլ)

- SW420 (թրթռման սենսոր)

- Breadboard

- Jumper լարերը

Քայլ 2: Թրթռումների մոնիտորի կայք

Սա գծագրելով ՝ հիվանդանոցները կարող են ուղիղ պատկերացնել հիվանդի վիճակը:

1. SW420- ը գրավում է օգտագործողի թրթռման տվյալները

2. Պահպանեք ժամանակը և թրթռման տվյալները տվյալների բազայում (Firebase)

3. Կայքը կստանա տվյալների բազայում պահվող տվյալները

4. Ելք գրաֆիկ (x առանցք - ժամանակ, y առանցք - թրթռման արժեք)

Քայլ 3. Մեքենայական ուսուցման մոդել

Ես որոշեցի օգտագործել Polynomial Regression մոդելը ՝ տարբեր ժամանակաշրջաններից օգտվողի ամենամեծ միջին թրթռման արժեքը որոշելու համար: Պատճառն այն է, որ իմ տվյալների կետերը չեն ցույց տալիս ակնհայտ հարաբերակցություն x և y առանցքների միջև, բազմանդամը համապատասխանում է կորության ավելի լայն շրջանակի և ավելի ճշգրիտ կանխատեսման: Այնուամենայնիվ, դրանք շատ զգայուն են ծայրահեղությունների նկատմամբ, եթե առկա են տվյալների անոմալիայի մեկ կամ երկու կետեր, դա կազդի գրաֆիկի արդյունքի վրա:

x_axis = numpy.linspace (x [0], x, 50) # տիրույթ, սերունդ y_axis = numpy.poly1d (numpy.polyfit (x, y, 5)) # նկարել x y, 5 -րդ տերմիններ

Քայլ 4: Հավաքում

Վերջում, ես փոփոխեցի մի քանի էլեկտրոնիկա և որոշեցի օգտագործել լիթիում պոլիմերային մարտկոց ՝ կրելու տեխնոլոգիան սնուցելու համար: Դա պայմանավորված է նրանով, որ այն վերալիցքավորվող է, թեթև, փոքր և կարող է ազատ տեղաշարժվել:

Ես միասին զոդել եմ բոլոր էլեկտրոնիկան, նախագծել եմ պատյան Fusion 360 -ի վրա և տպել եմ սև գույնով, որպեսզի ամբողջ ապրանքը լինի պարզ և նվազագույն:

եթե ցանկանում եք ավելին իմանալ այս նախագծի մասին, ազատ զգացեք ծանոթանալ իմ կայքին: