Promising Projects

Project Title: Hybrid Deep Learning Framework for Automated Multi-Class Eye Disease Classification Using Retinal Fundus Images

Description:
This project addresses a significant problem in ophthalmology and medical image analysis, particularly the early detection and classification of common eye diseases from retinal fundus images. The proposed solution is based on a hybrid deep learning framework that combines EfficientNetB3 transfer learning with a lightweight custom convolutional neural network and Grad-CAM visualization techniques, with the aim of accurately classifying normal, diabetic retinopathy, glaucoma, and cataract cases while providing interpretable diagnostic evidence to support clinical decision-making. The expected outcomes include high diagnostic accuracy, improved model generalization, enhanced transparency through visual explanations, and the potential integration of AI-assisted screening systems into telemedicine and healthcare applications.

Uploaded At: 2026-07-02 09:48:51

Project Title: NECK HEALTH GUARD

Description:
وصف المشروع: Neck Health Guard
🧠 الفكرة الأساسية:
Neck Health Guard هو جهاز صحي ذكي يمكن ارتداؤه (Wearable IoT) صُمم لتحسين وضعية الرقبة وتقليل الآلام الناتجة عن الاستخدام الطويل للشاشات، من خلال الجمع بين وظيفتين في جهاز واحد:
1-تدليك الرقبة (للاسترخاء)
2-مراقبة وضعية الرقبة (للكشف عن الانحناء الخاطئ)
آلية العمل:
الجهاز مبني على المتحكم الدقيق ESP32، والذي يتحكم في محركات اهتزاز ويعالج قراءات مستشعر الميلان (Ball Switch Tilt Sensor) عبر المدخل GPIO 4.

عند تفعيل وضع المراقبة:

يقرأ المستشعر وضعية الرقبة باستمرار.

إذا اكتشف انحناءً خاطئاً، يُرسل الجهاز إشعار تنبيه (ALERT) عبر Bluetooth Low Energy (BLE) إلى التطبيق المرافق.

عند عودة الرقبة إلى الوضعية الصحيحة، يُرسل إشعار وضع طبيعي (NORMAL).
النتائج المتوقعة:
✅ زيادة الوعي بوضعية الجسم: من خلال التنبيه الفوري، يتعلم المستخدم تعديل وضعيته باستمرار.

✅ تقليل آلام الرقبة والظهر: نتيجة تحسين الوضعية على المدى الطويل.

✅ حل منخفض التكلفة وعملي: مناسب للاستخدام اليومي في بيئات العمل والدراسة.

✅ تجربة مستخدم مريحة: الجمع بين المراقبة والتدليك في جهاز واحد يزيد من الالتزام بالاستخدام.

Uploaded At: 2026-07-03 02:48:06

Project Title: Hybrid Exo VB: A Dual-Layer Edge-Cloud AI System for Synchronized Neuromuscular and Pneumatic Upper Limb Rehabilitation نظام هيكل خارجي هجين مدعوم بالذكاء الاصطناعي لإعادة تأهيل الطرف العلوي: دمج التحفيز العصبي العضلي والمراقبة السحابية

Description:
الهيكل الخارجي الهجين Hybrid Exo VB هو جهاز طبي ذكي قابل للارتداء، مصمم لتأهيل الطرف العلوي لدى مرضى السكتة الدماغية والاعتلال العصبي المحيطي وضمور العضلات.

الفكرة: يجمع الجهاز لأول مرة بين التحفيز الكهربائي العصبي العضلي (NMES) والضغط الهوائي المتقطع (IPC) في منظومة واحدة متزامنة، تعمل تحت إشراف شبكة من خمسة مستشعرات فسيولوجية تقيس EMG وPPG وSpO₂ وGSR وIMU في الوقت الفعلي.

آلية العمل: يعتمد النظام على بنية معالجة مزدوجة (Dual ESP32) وذكاء اصطناعي ثنائي الطبقات — ذكاء طرفي (Edge AI) مدمج في الجهاز يقطع التيار خلال 30 ميلي ثانية عند أي قراءة خطرة بدقة 96.85%، وذكاء سحابي (Cloud AI) يحلل البيانات ويولد تقارير تشخيصية تراكمية. تُرسل البيانات بأمان عبر Firebase إلى لوحة تحكم طبية للأطباء وتطبيق Android للمرضى.

النتائج المتوقعة: تسريع التعافي الحركي، تقليل الأخطاء السريرية، وتوفير تجربة تأهيلية متكاملة بتكلفة 200-350 دولار مقارنة بـ 15,000-50,000 دولار للأجهزة التجارية — مما يجعل التأهيل المتقدم في متناول الجميع.
Hybrid Exo VB is a smart wearable medical device designed for upper limb rehabilitation in patients suffering from stroke, peripheral neuropathy, and skeletal muscle atrophy.
Concept: For the first time, the device synchronizes neuromuscular electrical stimulation (NMES) with intermittent pneumatic compression (IPC) within a single integrated system, operating under continuous closed-loop feedback from a five-node physiological sensor network measuring EMG, PPG, SpO₂, GSR, and IMU in real time.
How it works: The system runs on a dual ESP32 architecture governed by the ALPHA1 A.I. engine — a two-tier intelligence framework. The Edge AI layer operates locally on the device, executing autonomous safety disconnection within 30 ms at 96.85% classification accuracy. The Cloud AI layer processes cumulative patient data and generates detailed diagnostic reports. All telemetry streams securely via Firebase to a clinician web portal and a patient-facing Android application built on the principle of humanizing medicine.
Expected outcomes: Accelerated motor recovery, reduced clinical error through continuous physiological monitoring, and delivery of institutional-grade rehabilitation at $200–$350 — compared to the $15,000–$50,000 market benchmark — making advanced rehabilitation accessible to homes, clinics, and underserved communities alike

Uploaded At: 2026-07-04 21:46:14

Project Title: HRU-Net: A Hybrid U-Net–ResNet Architecture for Medical Image Segmentation

Description:
يُعد تقسيم الصور الطبية من المهام الأساسية في أنظمة التشخيص بمساعدة الحاسوب، إذ يُمكّن من التحديد الدقيق للهياكل التشريحية والمناطق المرضية، مما يدعم تشخيص الأمراض ووضع الخطط العلاجية المناسبة. وعلى الرغم من النجاح الكبير الذي حققته بنية U-Net، إلا أن أداءها غالبًا ما يتأثر بفقدان المعلومات المكانية أثناء عمليات الاختزال (Downsampling) وبمشكلة تلاشي التدرج في الشبكات العصبية العميقة. يقترح هذا البحث إطارًا هجينًا للتعلم العميق يدمج بين U-Net وResNet بهدف تحسين استخلاص الميزات، والحفاظ على المعلومات المكانية، وتعزيز انتقال التدرجات أثناء عملية التدريب. يعتمد الإطار المقترح على بنية المُشفِّر–فك المُشفِّر (Encoder–Decoder) المدعومة بالكتل المتبقية (Residual Blocks) لتعلم تمثيلات ميزات أكثر تمييزًا مع المحافظة على دقة التحديد على مستوى البكسل. أظهرت النتائج التجريبية في العديد من مهام تقسيم الصور الطبية الحيوية أن الإطار المقترح تفوق باستمرار على نموذج U-Net الأصلي، محققًا دقة أعلى، وقدرة أفضل على التعميم، مع الحفاظ على الكفاءة الحسابية.

Uploaded At: 2026-07-04 22:19:09

Project Title: Intelligent System for Early Prediction of Diabetes Using Artificial Intelligence

Description:
يهدف المشروع إلى تطوير نظام ذكي يساعد على الكشف المبكر عن مرض السكري باستخدام تقنيات الذكاء الاصطناعي، وتحديداً خوارزمية الغابة العشوائية (Random Forest)، بدلاً من الاعتماد الكامل على الفحوصات التقليدية التي قد تستغرق وقتاً وتكلفة أعلى. يوفر النظام أداة دعم قرار سريع وشفاف يمكن لأي مستخدم أو كادر طبي استخدامها دون الحاجة لخبرة تقنية.
آلية العمل:
1. يقوم المستخدم بإدخال ثمانية مؤشرات طبية أساسية عبر واجهة تفاعلية (Interactive User Interface) مثل مستوى الجلوكوز، ضغط الدم، مؤشر كتلة الجسم، العمر، وغيرها.
2. تنتقل البيانات إلى وحدة معالجة (Data Processor) تقوم بتنظيفها، تعويض القيم المفقودة أو غير المنطقية (مثل القيم الصفرية)، وتوحيد مقاييسها (Normalization).
3. تُمرَّر البيانات المعالجة إلى نموذج الغابة العشوائية المدرَّب مسبقاً (Trained Random Forest Model) الذي يقارنها بأنماط مستخلصة من 768 حالة طبية فعلية (قاعدة بيانات Pima Indians).
4. يُصدر النظام في النهاية تنبؤاً (مصاب / غير مصاب) مع نسبة الثقة، بالإضافة إلى توصيات طبية أولية (مثل مراجعة الطبيب أو إجراء فحص HbA1c).
النتائج المتوقعة:
• دقة تنبؤية إجمالية تتراوح بين 78% و82%.
• تحديد أن مستوى الجلوكوز ومؤشر كتلة الجسم هما أكثر العوامل تأثيراً في القرار.
• أداء قوي في تصنيف الحالات السليمة (95%)، مع إمكانية تحسين مستقبلي في تصنيف الحالات المصابة (46% حالياً).
• نظام قابل للتوسع لاحقاً عبر زيادة حجم البيانات أو دمج تقنيات التعلم العميق.

Uploaded At: 2026-07-04 19:43:54

Project Title: AI-Driven Prediction for Early Detection of Obesity Risk

Description:
This project addresses a significant problem in the field of intelligent medical systems and clinical decision support: the lack of predictive precision, data balance, and clinical transparency in early obesity risk forecasting. The proposed solution is based on an intelligent health informatics pipeline that couples high-performance machine learning algorithms with Explainable AI (XAI) using TreeSHAP. The system aims to predict and categorize individuals into seven distinct weight and obesity risk tiers using 16 multi-factorial lifestyle, behavioral, and demographic parameters rather than relying solely on the static Body Mass Index (BMI). Ten machine learning models were developed and evaluated using Stratified 10-Fold Cross-Validation and SMOTE to eliminate structural dataset imbalances. The expected outcomes include a highly robust predictive engine; the LightGBM model achieved a peak standalone accuracy of 97.54%, while a custom Soft Voting Ensemble framework was deployed at 96.00% accuracy due to its superior architectural stability. Notably, the system achieved a flawless 100% precision and recall for high-risk Obesity Type III cases, ensuring zero false negatives. Furthermore, a responsive, interactive Streamlit web application was developed and deployed, featuring an intuitive clinical user interface that provides healthcare practitioners with real-time, transparent risk classifications and personalized local SHAP force plots for proactive lifestyle interventions.

Uploaded At: 2026-07-05 18:57:37

Project Title: Smart Epilepsy Seizure Detection and Alert System

Description:
This project addresses a significant problem in the field of smart healthcare and IoT-based medical monitoring systems, particularly the early detection of epileptic seizures and continuous monitoring of patients’ vital signs in different environments such as home, school, work, and public places. The proposed solution is based on a wearable intelligent system that integrates physiological sensors such as MAX30102 for heart rate and blood oxygen saturation monitoring, and MPU6050 for motion and fall detection, using ESP32 as the main controller, along with machine learning techniques for data analysis and seizure prediction, and a mobile application for real-time alerts. The aim of this system is to improve early seizure detection, reduce emergency response time, and enhance patient safety both indoors and outdoors while maintaining privacy and reducing social embarrassment. The expected outcomes include a reliable and accurate seizure and fall detection system, faster emergency response, and continuous smart monitoring that improves the overall safety and quality of life for patients in daily activities.

يتناول هذا المشروع مشكلةً جوهريةً في مجال الرعاية الصحية الذكية وأنظمة المراقبة الطبية المعتمدة على إنترنت الأشياء (IoT)، والمتمثلة في صعوبة الكشف المبكر عن نوبات الصرع ومتابعة المؤشرات الحيوية للمرضى في مختلف البيئات مثل المنزل والمدرسة والعمل والأماكن العامة. ويستند الحل المقترح إلى نظام ذكي قابل للارتداء يعتمد على حساسات حيوية مثل MAX30102 لقياس نبض القلب وتشبع الأكسجين، وMPU6050 لرصد الحركة والسقوط، مع استخدام ESP32 كوحدة تحكم رئيسية، وتقنيات التعلم الآلي لتحليل البيانات والتنبؤ بالنوبات، وربطه بتطبيق موبايل لإرسال التنبيهات الفورية. ويهدف هذا النظام إلى تحسين الكشف المبكر عن نوبات الصرع، وتقليل زمن الاستجابة للحالات الطارئة، وتعزيز سلامة المريض وحمايته أثناء وجوده في المنزل أو خارجه مع الحفاظ على خصوصيته وتقليل الإحراج الاجتماعي. وتشمل النتائج المتوقعة تحقيق نظام دقيق وموثوق للكشف عن النوبات والسقوط، وتحسين سرعة الاستجابة للطوارئ، وتوفير مراقبة ذكية ومستمرة تدعم سلامة المرضى في حياتهم اليومية.

Uploaded At: 2026-07-06 00:50:33

Project Title: Health-Eco Hub & MedStock: An AI-Driven Ecosystem for Secure Medical Data and Intelligent Inventory Management

Description:
This research addresses two critical challenges in smart medical systems: fragmented health data with cybersecurity vulnerabilities, and inefficient medical inventory management. The proposed solution, Health-Eco Hub, is a unified ecosystem that integrates AI-driven predictive analytics with a real-time Intrusion Detection System (IDS). In addition, the project incorporates MedStock, an intelligent inventory management module that applies a weighted Risk Scoring Model and a Simple Moving Average (SMA) algorithm for demand forecasting. MedStock also introduces role-based dashboards (Manager, Staff, Researcher) to ensure accountability and operational transparency.The implementation results demonstrate significant improvements: a 95% reduction in cybersecurity risks, 92% accuracy in predicting inventory shortages, an 80% improvement in medical record and inventory retrieval speed, and alert latency under 100ms. Collectively, these outcomes transform static health and inventory records into actionable, life-saving insights, enhancing patient safety, institutional efficiency, and digital resilience.

Uploaded At: 2026-07-05 04:38:34

Project Title: Smart Wearable Health-Care Monitoring System

Description:
يوفر هذا النظام مراقبة للحالة الصحية للمرضى عن بعد باستخدام مستشعرات و تقنيات الذكاء الاصطناعي حيث يراقب معدل الاوكسجين ونبضات القلب ودرجات الحرارة مما يعطي اشعار مبكر للاضطرابات الصحية قبل حدوث مشكلة صحية معينة كالدوار والاغماء او الاثار الناتجة من ارتفاع درجات الحرارة

Uploaded At: 2026-07-05 19:14:54

Project Title: Medo platform for detecting and diagnosing autism, hyperactivity and interaction using artificial inntelligence

Description:
project addresses a significant problem in assessing children’s development in terms of various aspects, such as attention, cognition, motor skills, language, interaction, and sensory processing. The proposed solution is based on developing an interactive platform for conducting assessments and integrating the results of testing with the aim of assisting the parents or specialists in assessing the developmental level of the child and following its progress in time. The expected outcomes include more organized assessment, clearer reporting of strengths and needs, and better support for making follow-up or intervention decisions.

Our project is live at: https://medobloom.app/

Uploaded At: 2026-07-05 03:39:32

Project Title: patients statics monitor system with Ai powered chat

Description:
NexPulse is a full-stack web-based health monitoring platform that continuously tracks patients' vital signs — including heart rate, blood oxygen (SpO₂), blood pressure, glucose, sleep quality, and daily activity — and streams them in real time to both patients and their assigned doctors through dedicated dashboards. The platform solves three critical problems in modern healthcare: patients cannot interpret raw biometric data on their own, doctors only see patients in brief appointments and miss what happens in between, and health data from different devices lives in disconnected silos with no way for a clinician to see the full picture. NexPulse bridges this gap by connecting patients, clinicians, and an AI assistant called PulseAI — powered by OpenAI's GPT-4o-mini — which reads each user's live vitals as context and answers health questions in plain language without fabricating data. The system includes real-time doctor–patient messaging, automated risk triage that classifies every reading as Stable, Watch, or Critical and alerts the assigned clinician instantly, a doctor discovery and assignment flow, and direct Bluetooth device integration that streams live heart-rate data from standard BLE chest straps into the platform without any app installation. Built entirely with vanilla HTML, CSS, and JavaScript on the frontend, PostgreSQL (via Supabase) with row-level security on the backend, and Vercel serverless functions for secure AI inference, the platform runs entirely in a browser at near-zero infrastructure cost. NexPulse matters for the future because it demonstrates that the gap between consumer health wearables and real clinical care can be closed with modern web technologies alone — making continuous, AI-assisted health monitoring accessible to patients and clinicians anywhere in the world, without expensive hardware, native apps, or hospital-grade IT infrastructure.

Uploaded At: 2026-07-05 04:05:14

Project Title: Al-Based Liver Disease Diagnosis & Patient Monitoring System

Description:
Abstract
Liver disease is a "silent killer" whose complex early diagnosis often leads to physician burnout. To address this, we developed a comprehensive, AI-Based Liver Disease Diagnosis System that is both highly accurate and user-friendly for clinical settings. Methodologically, we engineered a "multi-model ecosystem." After initially testing the Random Forest algorithm, we selected XGBoost as our primary engine for its superior speed and accuracy, pairing it with strict deterministic logic. Guided by a "Data Quality over Quantity" philosophy, we rigorously cleaned our datasets and removed statistical noise. This approach proved that AI learns far better from small, verified clinical facts than from massive, messy data. As an outcome, this rigorous approach yielded exceptional performance across all stages of the diagnostic pipeline. The system’s "Gate Model" used for initial patient triage achieved an accuracy of 97.41%. For specific disease pathways, the deterministic Fatty Liver (NAFLD) model achieved 100.00% accuracy. The specialized XGBoost engines successfully achieved 95.24% accuracy in predicting Hepatitis C (HCV) complications, 71.43% in assessing HCV mortality status using strictly verified data, 62.50% in classifying complex HCV fibrosis stages, and 94.00% in evaluating Hepatocellular Carcinoma (Liver Cancer) risk. Ultimately, by integrating these models into a seamless full-stack web application, this research provides a highly reliable, practical tool that helps shift liver healthcare from reactive treatment to proactive, life-saving prevention.

Uploaded At: 2026-07-05 09:20:53