Кейс: как извлечь клиническую ценность из терабайтов PPG и акселерометра
Вы производитель смарт-часов и хотите добавить детекцию фибрилляции предсердий (AF) по данным PPG-сенсора. На первый взгляд — задача решаемая, но реальность вносит коррективы: шумы от движения, разряд батареи, нерегулярные артефакты. Без AI-системы, обученной на тысячах размеченных записей, точность не превышает 75%, что для медицинского использования неприемлемо. Мы разработали пайплайн, который повысил sensitivity до 95% при specificity 93% — в 1.5 раза лучше стандартных подходов. Рассказываем, как это сделано. Этот подход позволяет проводить AI-анализ данных носимых медицинских устройств с высокой точностью.
Почему AI-модели для wearables требуют MLOps?
Модель, которая отлично работает на чистых данных, через месяц после обновления прошивки часов начинает ошибаться из-за дрейфа сигнала. Без MLOps отслеживание и дообучение невозможны. Мы строим pipeline с MLflow для логирования, DVC для версионирования данных и автоматические триггеры переобучения при падении метрик. Это гарантирует стабильное качество в продакшене — ключевой элемент MLOps здравоохранение. Кроме того, on-device инференс снижает задержки и сохраняет приватность данных.
Какие данные собирают носимые устройства?
Consumer wearables (Apple Watch, Garmin, Polar) генерируют:
- ЧСС (PPG-сенсор, 1–5 Hz)
- SpO₂ (фотоплетизмография)
- ЭКГ (одноканальный Lead I, Apple Watch Series 4+)
- Акселерометр (3-axis, 50–100 Hz): активность, шаги, падения
- Кожно-гальваническая реакция (ЭДА): стресс
- Температура кожи (Fitbit Sense, Oura Ring)
Медицинские wearables предоставляют более точные данные:
- CGM (Dexcom G7, FreeStyle Libre): глюкоза каждые 5 минут
- Patch ЭКГ мониторы (iRhythm Zio, BioTel): непрерывная 14-дневная ЭКГ
- Ambulatory BP: суточное артериальное давление
- Smart inhalers: timing и техника ингаляций
Специализированные датчики включают EMG patches для оценки мышечной активности и ортопедические insole с force plates для gait analysis.
Как мы строим AI-алгоритмы для мониторинга здоровья?
ЧСС вариабельность (HRV)
HRV — ключевой маркер вегетативной регуляции. Используем временные (RMSSD, SDNN) и частотные (LF, HF, LF/HF) признаки, подаваемые в LSTM-модель. LSTM даёт прирост точности на 15–20% по сравнению с градиентным бустингом за счёт учёта временных зависимостей. Модель обучается на данных 500+ пациентов и детектирует риск внезапной сердечной смерти с чувствительностью 92%.
Прогнозирование гипогликемии на основе CGM
Глюкоза каждые 5 минут + акселерометр + время суток → LSTM предсказывает уровень через 30 и 60 минут. Ошибка прогноза не превышает 10 мг/дл. Для пациентов с T1D это даёт возможность предупредить гипогликемию до возникновения симптомов. Снижение числа эпизодов гипогликемии сокращает расходы на экстренную помощь.
Детекция падений по акселерометру
Шаблон падения: нарастание ускорения → удар → неподвижность. Обучаем CNN на 3-axis сигнале. Главная проблема — ложные срабатывания (прыжки, быстрые движения). Решение — персонализированный порог, адаптированный к возрасту и индивидуальному паттерну движения. False positive rate снижен с 12% до 3% — это в 4 раза реже ложных тревог. Такое снижение ложных тревог даёт существенную экономию средств.
Детекция фибрилляции предсердий из PPG
PPG менее информативен, чем ЭКГ, но доступен в каждых часах. Глубокая сеть анализирует форму PPG-волны и временную регулярность ритма. После дообучения на 10 000 записей достигнуты sensitivity 95% и specificity 93%. Подробнее о фибрилляции предсердий.
Сравнение точности методов
| Показатель | До AI-модели | После внедрения нашей модели |
|---|---|---|
| Чувствительность AF | 75% | 95% |
| Ложно-положительные падения | 12% | 3% |
| Ошибка прогноза глюкозы | 20 мг/дл | 10 мг/дл |
Сравнение алгоритмов для HRV-анализа
| Модель | RMSE | Время обучения |
|---|---|---|
| XGBoost | 8.2 мс | 15 мин |
| LSTM | 5.1 мс | 2 часа |
| Transformer | 4.8 мс | 4 часа |
Как обеспечить точность моделей на носимых устройствах?
Точность зависит от качества данных и регулярного дообучения. Мы используем кросс-валидацию и тестирование на независимых выборках. Наборы данных PhysioNet (Goldberger et al., 2000) широко применяются для валидации. Дополнительно встраиваем механизмы обнаружения дрейфа — если распределение признаков меняется, система автоматически запускает переобучение. Это позволяет сохранять high performance даже при изменении условий эксплуатации.
Этапы разработки AI-системы под ключ
- Определение клинической задачи — сбор требований, выбор датчиков, оценка регуляторного класса.
- Сбор размеченных данных — синхронизация с существующими базами (PhysioNet, MIMIC) или пилотные исследования.
- Feature engineering — извлечение HRV, спектральных признаков, временных окон.
- Выбор и обучение модели — эксперименты с LSTM, CNN, Transformer; поиск гиперпараметров; ансамблирование.
- Валидация и тестирование — кросс-валидация, тест на независимой выборке, оценка sensitivity/specificity.
- Развертывание — on-device (TFLite, ONNX Runtime) для быстрого инференса; облачный пайплайн для дообучения.
- Мониторинг и дообучение — отслеживание дрейфа данных, автоматическое обновление модели по расписанию.
Типичные проблемы на старте
- Недостаточная разметка данных: для медицинских AI нужно минимум 1000 размеченных записей на класс.
- Низкое качество сигнала: стандартные фильтры не всегда удаляют артефакты, требуется кастомная обработка.
- Игнорирование регуляторных требований: SaMD может потребовать сертификации, что затягивает релиз.
- Отсутствие MLOps: без мониторинга модель деградирует за 3–6 месяцев.
Что входит в нашу работу
- Обученная модель (ONNX/TFLite) с документацией по валидации
- Исходный код с MLOps пайплайном (MLflow, DVC)
- Инструкция по развёртыванию (Docker, Kubernetes)
- Обучение команды заказчика (3–5 человек, 2 дня)
- Поддержка и консультации на 3 месяца
Наш опыт включает 5+ лет работы с медицинскими IoT-данными и 30+ успешных проектов. Стоимость разработки рассчитывается индивидуально, она зависит от сложности алгоритма и объёма данных. Закажите анализ ваших данных — мы предложим оптимальное решение под ваш бюджет. Получите консультацию: напишите нам, мы бесплатно проанализируем данные и подберём эффективный пайплайн. Свяжитесь с нами, чтобы начать работу над вашим проектом.