สารบัญ:

เทคโนโลยีสวมใส่โรคพาร์กินสัน: 4 ขั้นตอน
เทคโนโลยีสวมใส่โรคพาร์กินสัน: 4 ขั้นตอน

วีดีโอ: เทคโนโลยีสวมใส่โรคพาร์กินสัน: 4 ขั้นตอน

วีดีโอ: เทคโนโลยีสวมใส่โรคพาร์กินสัน: 4 ขั้นตอน
วีดีโอ: นวัตกรรม "ถุงมือพาร์กินสันลดสั่น" | ไทยประดิษฐ์คิดเก่ง 2024, พฤศจิกายน
Anonim
โรคพาร์กินสัน Wearable Tech
โรคพาร์กินสัน Wearable Tech
โรคพาร์กินสัน Wearable Tech
โรคพาร์กินสัน Wearable Tech

ผู้คนมากกว่า 10 ล้านคนทั่วโลกอาศัยอยู่กับโรคพาร์กินสัน (PD) ความผิดปกติของระบบประสาทแบบก้าวหน้าที่ทำให้เกิดอาการตึงและส่งผลต่อการเคลื่อนไหวของผู้ป่วย พูดง่ายๆ ก็คือ หลายคนเป็นโรคพาร์กินสันแต่ไม่สามารถรักษาให้หายขาดได้ หากการกระตุ้นสมองส่วนลึก (DBS) นั้นโตเพียงพอ ก็มีโอกาสที่จะรักษา PD ได้

เมื่อจัดการกับปัญหานี้ ฉันจะสร้างอุปกรณ์เทคโนโลยีที่อาจช่วยให้โรงพยาบาลเสนอยาที่ถูกต้องและเป็นประโยชน์แก่ผู้ป่วย PD ได้มากขึ้น

ฉันสร้างอุปกรณ์เทคโนโลยีสวมใส่ได้ - หนึ่ง สามารถบันทึกค่าการสั่นสะเทือนของผู้ป่วยได้อย่างแม่นยำตลอดทั้งวัน ติดตามและวิเคราะห์รูปแบบการเกิดซ้ำเพื่อช่วยให้โรงพยาบาลตัดสินใจใช้ยาได้ดียิ่งขึ้นสำหรับผู้ป่วยแต่ละราย ไม่เพียงแต่ให้ข้อมูลที่ถูกต้องแก่โรงพยาบาลเท่านั้น แต่ยังอำนวยความสะดวกให้กับผู้ป่วย PD เมื่อพวกเขากลับมาพบแพทย์อีกด้วย โดยปกติผู้ป่วยจะจำอาการในอดีตของตนและขอให้แพทย์ปรับยาเพิ่มเติม อย่างไรก็ตาม เป็นการยากที่จะจำทุกรายละเอียด ทำให้การปรับยาไม่ถูกต้องและไม่มีประสิทธิภาพ แต่ด้วยการใช้อุปกรณ์เทคโนโลยีสวมใส่นี้ โรงพยาบาลสามารถระบุรูปแบบการสั่นสะเทือนได้อย่างง่ายดาย

ขั้นตอนที่ 1: อุปกรณ์อิเล็กทรอนิกส์

อิเล็กทรอนิกส์
อิเล็กทรอนิกส์

- ESP8266 (โมดูล wifi)

- SW420 (เซ็นเซอร์สั่นสะเทือน)

- เขียงหั่นขนม

- สายจัมเปอร์

ขั้นตอนที่ 2: เว็บไซต์ตรวจสอบการสั่นสะเทือน

เว็บไซต์ตรวจสอบการสั่นสะเทือน
เว็บไซต์ตรวจสอบการสั่นสะเทือน

ด้วยกราฟนี้ โรงพยาบาลสามารถเห็นภาพสภาพของผู้ป่วยแบบสดได้

1. SW420 จับข้อมูลการสั่นสะเทือนจากผู้ใช้

2. ประหยัดเวลาและข้อมูลการสั่นสะเทือนไปยังฐานข้อมูล (Firebase)

3. ทางเว็บไซต์จะรับข้อมูลที่จัดเก็บไว้ในฐานข้อมูล

4. แสดงผลกราฟ (แกน x - เวลา แกน y - ค่าการสั่นสะเทือน)

ขั้นตอนที่ 3: โมเดลการเรียนรู้ของเครื่อง

โมเดลการเรียนรู้ของเครื่อง
โมเดลการเรียนรู้ของเครื่อง

ฉันได้ตัดสินใจใช้แบบจำลองการถดถอยพหุนามเพื่อระบุค่าการสั่นสะเทือนเฉลี่ยสูงสุดของผู้ใช้จากช่วงเวลาที่ต่างกัน เหตุผลที่จุดข้อมูลของฉันไม่แสดงความสัมพันธ์ที่ชัดเจนระหว่างแกน x และ y พหุนามจะพอดีกับช่วงความโค้งที่กว้างกว่าและการทำนายที่แม่นยำกว่า อย่างไรก็ตาม มีความละเอียดอ่อนมากต่อค่าผิดปกติ หากมีจุดข้อมูลหนึ่งหรือสองจุด จะส่งผลต่อผลลัพธ์ของกราฟ

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

ขั้นตอนที่ 4: การประกอบ

การประกอบ
การประกอบ
การประกอบ
การประกอบ

ในตอนท้าย ฉันดัดแปลงอุปกรณ์อิเล็กทรอนิกส์บางส่วนและตัดสินใจใช้แบตเตอรี่ลิเธียมโพลิเมอร์เพื่อขับเคลื่อนเทคโนโลยีที่สวมใส่ได้ เนื่องจากสามารถชาร์จใหม่ได้ น้ำหนักเบา ขนาดเล็กและสามารถเคลื่อนที่ได้อย่างอิสระ

ฉันได้ประสานอุปกรณ์อิเล็กทรอนิกส์ทั้งหมดเข้าด้วยกัน ออกแบบเคสบน Fusion 360 และพิมพ์เป็นสีดำเพื่อให้ผลิตภัณฑ์ทั้งหมดดูเรียบง่ายและเรียบง่าย

ถ้าคุณต้องการเข้าใจเพิ่มเติมเกี่ยวกับโครงการนี้ อย่าลังเลที่จะตรวจสอบเว็บไซต์ของฉัน

แนะนำ: