Tecnologia wearable da doença de Parkinson: 4 etapas

2024 Autor: John Day | [email protected]. Última modificação: 2024-01-30 11:34

Mais de 10 milhões de pessoas em todo o mundo vivem com a doença de Parkinson (DP). Distúrbio progressivo do sistema nervoso que causa rigidez e afeta os movimentos do paciente. Em termos mais simples, muitas pessoas sofreram da doença de Parkinson, mas ela não tem cura. Se a estimulação cerebral profunda (DBS) for madura o suficiente, então há uma chance de a DP ser curável.

Ao abordar esse problema, estarei criando um dispositivo de tecnologia que possivelmente poderia ajudar os hospitais a oferecer aos pacientes em DP medicamentos mais práticos e precisos.

Eu criei um dispositivo de tecnologia vestível - Nung. Ele pode capturar com precisão o valor da vibração do paciente ao longo do dia. Rastrear e analisar padrões recorrentes para ajudar os hospitais a tomar melhores decisões sobre medicamentos para cada paciente. Além de fornecer dados precisos aos hospitais, também traz conveniências aos pacientes em DP quando eles revisitam seus médicos. Normalmente, os pacientes se lembram de seus sintomas anteriores e pedem ao médico um ajuste adicional da medicação. No entanto, é difícil lembrar todos os detalhes, tornando o ajuste da medicação impreciso e ineficiente. Mas com o uso deste dispositivo de tecnologia vestível, os hospitais podem identificar o padrão de vibração com facilidade.

Etapa 1: Eletrônica

- ESP8266 (módulo wi-fi)

- SW420 (sensor de vibração)

- breadboard

- Fios de ligação

Etapa 2: Site do monitor de vibração

Ao traçar um gráfico, os hospitais podem visualizar a condição do paciente ao vivo.

1. SW420 captura os dados de vibração do usuário

2. Economize o tempo e os dados de vibração em um banco de dados (Firebase)

3. O site irá obter os dados armazenados no banco de dados

4. Produza um gráfico (eixo x - tempo, eixo y - valor de vibração)

Etapa 3: modelo de aprendizado de máquina

Decidi usar o modelo de regressão polinomial para identificar o maior valor médio de vibração do usuário em diferentes períodos de tempo. A razão é que meus pontos de dados não mostram uma correlação óbvia entre os eixos xey, o polinômio se ajusta a uma faixa mais ampla de curvatura e uma previsão mais precisa. No entanto, eles são muito sensíveis a outliers, se houver um ou dois pontos de dados de anomalia, isso afetará o resultado do gráfico.

x_axis = numpy.linspace (x [0], x, 50) # intervalo, geração y_axis = numpy.poly1d (numpy.polyfit (x, y, 5)) # sorteio x y, 5 enésimos termos

Etapa 4: Montagem

No final, modifiquei alguns componentes eletrônicos e decidi usar bateria de polímero de lítio para alimentar a tecnologia vestível. Isso ocorre porque ele é recarregável, leve, pequeno e pode se mover livremente.

Soldei todos os componentes eletrônicos, projetei o case no Fusion 360 e imprimi-o em preto para fazer todo o produto parecer simples e minimalista.

se você quiser entender mais sobre este projeto, fique à vontade para conferir meu site.