Giyilebilir Sağlık Teknolojileri ve Python

Giyilebilir sağlık teknolojileri, 2025 yılında sadece adımları veya kalori yakımını saymakla sınırlı değil. Yapay zeka (AI) ile entegre olan bu cihazlar, sağlığınızı izlemek, analiz etmek ve hatta olası sağlık sorunlarını önceden tahmin etmek için devrim niteliğinde çözümler sunuyor. Bu makalede, giyilebilir teknolojilerin yapay zeka ile nasıl birleştiğini ve günlük yaşamınızı nasıl dönüştürdüğünü keşfedeceğiz. Ayrıca, bir giyilebilir cihazdan gelen verileri analiz eden basit bir Python kodu örneğiyle bu teknolojinin nasıl çalıştığını göstereceğiz.

Giyilebilir Teknolojiler ve Yapay Zeka Entegrasyonu

Giyilebilir cihazlar (akıllı saatler, fitness bileklikleri, biyosensör yamaçları), nabız, kan oksijen seviyesi, uyku düzeni ve stres gibi verileri gerçek zamanlı olarak topluyor. Yapay zeka, bu verileri analiz ederek kişiselleştirilmiş sağlık önerileri sunuyor ve hatta doktorlarla veri paylaşımını kolaylaştırıyor. Örneğin:

• Anomali Tespiti: AI, nabız verilerinizdeki düzensizlikleri algılayarak kalp ritmi bozukluklarını erkenden fark edebilir.

• Kişiselleştirilmiş Öneriler: Stres seviyeniz yükseldiğinde, AI destekli bir cihaz nefes egzersizleri veya kısa bir yürüyüş önerebilir.

• Erken Teşhis: Kan şekeri veya hidrasyon seviyelerindeki değişiklikleri analiz ederek olası sağlık risklerini önceden bildirir.

2025’te bu teknolojiler, bulut tabanlı AI modelleriyle entegre çalışarak verilerinizi anında işliyor ve sağlık uzmanlarıyla senkronize bir şekilde paylaşabiliyor.

Giyilebilir Teknolojilerin Günlük Yaşama Katkıları

• Sürekli Sağlık Takibi: Giyilebilir cihazlar, 7/24 sağlık verilerinizi izleyerek proaktif bir sağlık yönetimi sunuyor. Örneğin, uyku apnesi belirtilerini tespit eden bir cihaz, doktorunuza veri göndererek erken müdahale imkânı sağlıyor.

• Motivasyon ve Alışkanlık Geliştirme: AI, egzersiz veya meditasyon hedeflerinize ulaşmanız için kişiselleştirilmiş planlar oluşturuyor.

• Doktor-Hasta İşbirliği: Giyilebilir cihazlar, hastanelerdeki tıbbi cihazlarla uyumlu çalışarak uzaktan sağlık takibini mümkün kılıyor.

Şimdide sizlerle Nabız verilerini analiz eden bir python uygulaması yapalım..

Nabız Verilerini Analiz Eden Bir AI Modeli

Aşağıda, bir giyilebilir cihazdan gelen nabız verilerini analiz eden ve basit bir sağlık durumu tahmini yapan bir Python kodu örneği bulabilirsiniz. Bu kod, sahte nabız verilerini işler ve bir makine öğrenimi modeli kullanarak olası anormallikleri tespit eder. Böylece, bireylerin kendi sağlık durumlarını ön izleme şeklinde değerlendirmeleri mümkün hale gelir.

import numpy as np
from sklearn.ensemble import IsolationForest
import random

Sahte nabız verisi oluşturma

(örnek: 1 saatlik veri, dakikada bir ölçüm)

Bu adımda, 60 dakikalık bir süre boyunca her dakika ölçülen nabız değerleri oluşturulmaktadır. Normal aralıkta (60-100 bpm) değerler üretildikten sonra, bazı yüksek nabız değerleri eklenerek senaryo zenginleştirilmiştir.

np.random.seed(42)
heart_rates = [random.randint(60, 100) for _ in range(60)] # Normal nabız aralığı
heart_rates.extend([120, 130, 125, 110]) # Anormal yüksek nabızlar ekliyoruz

Veriyi numpy array’e dönüştürme

Modelin veriyi anlayabilmesi için nabız değerleri numpy kütüphanesi ile uygun formata dönüştürülür.

data = np.array(heart_rates).reshape(-1, 1)

Isolation Forest modeli ile anomali tespiti

Makine öğrenimi algoritmalarından biri olan Isolation Forest, veri kümesindeki aykırı (anormal) değerleri tespit etmek için kullanılır. Bu model, özellikle büyük veri kümelerinde aykırı değerleri hızlı ve etkili şekilde belirleyebilmesiyle bilinir.

model = IsolationForest(contamination=0.1, random_state=42)
model.fit(data)
predictions = model.predict(data)

Anormal nabızları tespit etme

Modelin verdiği tahmin sonuçlarına göre, -1 etiketi ile işaretlenen değerler anormal olarak kabul edilir ve ayrı bir listeye alınır.

anomalies = [heart_rates[i] for i in range(len(heart_rates)) if predictions[i] == -1]

Sonuçları yazdırma

Kullanıcıya tüm nabız verileri ve model tarafından belirlenen anormal değerler gösterilir.

print(“Tüm Nabız Verileri:”, heart_rates)
print(“Tespit Edilen Anormal Nabızlar:”, anomalies)

Basit bir sağlık önerisi

Analiz sonucuna göre kullanıcıya, anlaşılır ve yönlendirici bir mesaj sunulur. Bu sayede kullanıcı, gerekli önlemleri alma konusunda bilinçlenmiş olur.

if len(anomalies) > 0:
print(“Uyarı: Yüksek nabız tespit edildi! Dinlenmeyi veya bir doktora danışmayı düşünün.”)
else:
print(“Nabız verileriniz normal görünüyor. Düzenli egzersize devam edin!”)