AI-мониторинг физической формы по датчикам

Тренер видит: спортсмен жалуется на усталость, HRV упал на 30%, а тесты не растут. Но дневник тренировок показывает перегрузку. При нестабильном Wi-Fi данные могут теряться, а HRV-интервалы содержат артефакты — без корректной фильтрации и интерполяции AI-модель будет ошибаться. Без непрерывного мониторинга и AI-анализа сложно отличить перетренированность от начала болезни. Мы строим системы, которые превращают сырые данные носимых устройств в actionable insights: оценку восстановления, прогноз результатов и раннее предупреждение о сбоях.

Носимые устройства — Whoop, Oura Ring, Garmin, Apple Watch — непрерывно собирают биометрию. AI-система агрегирует эти потоки, вычисляет Recovery Score, персональный физиологический базис и долгосрочные тренды. Результат — объективная картина готовности к нагрузке. Персонализированный baseline в 2 раза чувствительнее популяционной нормы при детекции отклонений. Стек: Python, PyTorch, PostgreSQL с TimescaleDB для хранения временных рядов, MLflow для отслеживания экспериментов.

Как AI анализирует данные носимых датчиков?

Сердечно-сосудистые метрики: HRV, пульс покоя, SpO2. Активность: шаги, GPS, гироскоп. Сон: REM, глубокий, легкий. Температура кожи: отклонение от baseline — индикатор болезни.

Recovery Score модель

def calculate_recovery_score(hrv_today, hrv_baseline,
                              sleep_quality, sleep_duration,
                              resting_hr, resting_hr_baseline):
    hrv_score = min(1.0, hrv_today / hrv_baseline)
    sleep_score = (sleep_quality * 0.5 + min(1.0, sleep_duration / 8.0) * 0.5)
    hr_score = max(0, 1.0 - (resting_hr - resting_hr_baseline) / resting_hr_baseline)
    recovery = hrv_score * 0.5 + sleep_score * 0.35 + hr_score * 0.15
    return recovery * 100

Recovery < 33% — красный, 34-66% — жёлтый, 67%+ — зелёный.

Почему важен персональный физиологический базис?

Ключевой принцип — сравнение с собственным базисом, не с "нормой" по популяции:

class PersonalBaseline:
    def __init__(self, lookback_days=30, percentile=50):
        self.lookback = lookback_days
        self.percentile = percentile

    def fit(self, history):
        self.hrv_baseline = np.percentile(history['hrv'], self.percentile)
        self.hr_baseline = np.percentile(history['resting_hr'], self.percentile)
        self.sleep_baseline = np.percentile(history['sleep_hours'], self.percentile)
        return self

    def deviation(self, today):
        return {
            'hrv_dev': (today['hrv'] - self.hrv_baseline) / self.hrv_baseline,
            'hr_dev': (today['resting_hr'] - self.hr_baseline) / self.hr_baseline,
            'sleep_dev': (today['sleep_hours'] - self.sleep_baseline) / self.sleep_baseline
        }

Прогноз спортивных результатов

Fitness-Fatigue модель (Banister):

Performance(t) = Fitness(t) - Fatigue(t)
Fitness(t) = Σ TSS(i) × exp(-(t-i)/τ_fitness), τ=45 дней
Fatigue(t) = Σ TSS(i) × exp(-(t-i)/τ_fatigue), τ=15 дней

Персональные τ оцениваются через нелинейную оптимизацию (scipy.optimize). Модель подбирает tapering под соревнование. Экономия времени тренера на ручном анализе данных до 50%.

Early Illness Detection

def illness_risk_score(temp_deviation, hrv_drop, hr_elevation, symptom_report):
    if temp_deviation > 0.5 and hrv_drop < -0.2 and hr_elevation > 5:
        return 0.8
    return 0.1

Исследование Stanford COVID study показывает: носимые устройства обнаруживали COVID за 0-2 дня до симптомов у 63% участников. Снижение затрат на медицинские консультации за счёт раннего обнаружения.

Долгосрочный прогресс

VO2max estimation через Firstbeat-методологию (погрешность ±3-5 мл/(кг·мин)). Анализ динамики нагрузки на 12-52 недели, адаптация через тренд resting HR и HRV.

Что мы предоставляем

• Документация по API и модели данных
• Дашборд с Recovery Score, прогнозом и трендами
• REST API для интеграции в вашу экосистему
• Обучение команды (3 сессии)
• Техническая поддержка на 3 месяца
• Исходный код моделей (по договорённости)

Процесс работы

1. Аналитика: сбор требований, выбор API носимых устройств.
2. Проектирование: архитектура сбора данных, модель Recovery Score.
3. Реализация: интеграция API, ML-модели (fitness-fatigue, illness detection).
4. Тестирование: валидация на реальных данных, A/B-тест.
5. Деплой: дашборд + REST API, обучение команды.

Обработка сигнала: фильтрация артефактов

Сырые данные с носимых устройств содержат выбросы и пропуски. Для HRV-интервалов применяем фильтр Берту: удаляем RR-интервалы с отклонением >20% от медианы соседних. Пропуски восстанавливаем через кубическую интерполяцию при пропуске ≤5 минут и через форвард-экстраполяцию с деградацией уверенности при пропуске >5 минут. Для акселерометра и гироскопа — медианный фильтр с окном 5 точек убирает ударные артефакты при ношении. Результат корректной предобработки: снижение RMSE Recovery Score на 12–18% по сравнению с обработкой сырых данных. Качество интерполяции верифицируется на контрольных паузах, намеренно внесённых в тестовый датасет.

Сроки ориентировочно

Получите консультацию инженера: мы проанализируем ваши данные и подберём архитектуру. Свяжитесь с нами для оценки вашего проекта. Закажите демо-доступ к работающему прототипу.

Наш опыт: 5 лет на рынке AI/ML-решений, более 20 успешных проектов в спортивной аналитике. Гарантируем качество и соблюдение сроков.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.