AI-мониторинг ментального состояния по данным носимых устройств

AI-мониторинг психического состояния через носимые устройства

Пациенты с хроническим стрессом часто не замечают ухудшения до кризиса. Носимые устройства — Apple Watch, Garmin, Oura Ring — фиксируют физиологию (ЧСС, HRV, ЭКС), но сырые данные бесполезны без интеллектуальной интерпретации. Наша команда с 7+ лет опыта в AI/ML для healthcare разрабатывает системы, которые превращают сырые сенсорные потоки в интерпретируемые метрики стресса и тревоги. Ключевая проблема — межперсональная вариабельность: RMSSD = 30 мс может быть нормой для одного и сигналом тревоги для другого. Без персонализации модели ошибаются в 40% случаев. Мы предлагаем решение, которое адаптируется под каждого пользователя за 2 недели сбора данных. Результат — AUC 0.82–0.88 на тестах, что на 15–20% лучше единых моделей. Оценим ваш проект за 2 дня и предложим решение под ключ. Свяжитесь с нами для предварительного анализа.

Физиологические маркеры психического состояния

Вегетативная нервная система (ВНС) напрямую отражает стресс-ответ. Симпатическая активация ведёт к тахикардии, снижению HRV, усилению потоотделения и повышению температуры кожи. Ключевые биомаркеры сведены в таблицу:

Feature Engineering из физиологических данных

HRV фичи во временной и частотной областях:

def compute_hrv_stress_features(rr_intervals_ms, window_sec=300):
    """
    5-минутное окно — стандарт для HRV анализа (Task Force)
    """
    rr = np.array(rr_intervals_ms)

    # Временные метрики
    time_features = {
        'rmssd': np.sqrt(np.mean(np.diff(rr)**2)),
        'sdnn': np.std(rr),
        'pnn50': np.mean(np.abs(np.diff(rr)) > 50),
        'mean_rr': np.mean(rr),
        'cv_rr': np.std(rr) / np.mean(rr)  # coefficient of variation
    }

    # Частотные метрики (PSD через Welch)
    from scipy.signal import welch
    f, psd = welch(rr - np.mean(rr), fs=4.0, nperseg=256)  # upsampled to 4 Hz

    lf_mask = (f >= 0.04) & (f < 0.15)
    hf_mask = (f >= 0.15) & (f < 0.40)

    lf_power = np.trapz(psd[lf_mask], f[lf_mask])
    hf_power = np.trapz(psd[hf_mask], f[hf_mask])

    freq_features = {
        'lf_power_ms2': lf_power,
        'hf_power_ms2': hf_power,
        'lf_hf_ratio': lf_power / (hf_power + 1e-8),
        'total_power': np.trapz(psd, f)
    }

    return {**time_features, **freq_features}

EDA обработка с использованием neurokit2:

import neurokit2 as nk

def process_eda_signal(eda_raw, sampling_rate=64):
    """
    neurokit2: разложение EDA на tonic (SCL) + phasic (SCR) компоненты
    """
    signals, info = nk.eda_process(eda_raw, sampling_rate=sampling_rate)

    return {
        'scl_mean': signals['EDA_Tonic'].mean(),
        'scr_count': len(info['SCR_Onsets']),  # число острых стресс-реакций
        'scr_amplitude_mean': signals['SCR_Amplitude'].mean(),
        'scr_recovery_time': signals['SCR_RecoveryTime'].mean()
    }

Как AI анализирует данные носимых устройств?

Мы строим бин-классификаторы стресса на основе Random Forest или XGBoost, используя комбинацию HRV, EDA и актиграфии. Модели обучаются на публичных датасетах (WESAD, DEAP) с последующей адаптацией под целевую популяцию через transfer learning. Для продакшена применяем ONNX Runtime с INT8-квантизацией — latency p99 < 50 мс на устройстве.

Почему персонализированный baseline критичен?

Абсолютное значение RMSSD = 30 мс может быть нормой для одного человека и низким для другого. Мы используем скользящее среднее за 2 недели для каждого пользователя:

def personalized_stress_score(current_hrv, personal_baseline_hrv):
    """
    Относительное отклонение от персонального baseline
    Более интерпретируемо, чем абсолютные значения
    """
    hrv_deviation = (current_hrv['rmssd'] - personal_baseline_hrv['rmssd_mean']) / personal_baseline_hrv['rmssd_std']
    return -hrv_deviation  # инвертируем: снижение HRV = рост стресса

Мультимодальная фузия

Late fusion объединяет scores от каждого сенсора, что обеспечивает надёжность при отсутствии одного из каналов (например, нет EDA):

def fuse_modalities(hrv_features, eda_features, actigraphy_features):
    hrv_score = hrv_stress_model.predict_proba([hrv_features])[0][1]
    eda_score = eda_stress_model.predict_proba([eda_features])[0][1]
    activity_score = activity_stress_model.predict_proba([actigraphy_features])[0][1]

    final_score = 0.45 * hrv_score + 0.35 * eda_score + 0.20 * activity_score
    return final_score

Такой подход даёт AUC 0.82–0.88 на внутренних тестах — это на 15–20% лучше, чем использование только HRV.

Сравнение моделей: что выбрать?

XGBoost даёт лучшее соотношение точности и скорости. Для edge-устройств мы квантизируем до INT8 — размер сжимается в 4 раза без потери AUC.

Цифровое фенотипирование настроения

Digital phenotyping из смартфона включает screen time, GPS-трекинг, социальные взаимодействия и паттерны сна. По этим данным мы предсказываем PHQ-9 score с точностью AUC 0.75-0.82. Это не заменяет опросник, но позволяет выявлять тенденции без активного заполнения.

Ограничения и этические аспекты

Точность моделей зависит от контекста: лабораторный стресс (TSST) отличается от реального. Мы не ставим диагнозы — система рекомендует обратиться к специалисту при высоком stress-score. Все психологические данные обрабатываются на edge для соблюдения GDPR (Art. 9). Обучающие выборки содержат bias — мы работаем над диверсификацией.

Процесс работы

1. Аналитика — аудит ваших устройств и потоков данных, выбор биомаркеров.
2. Проектирование — архитектура пайплайна: сбор, предобработка, хранение (InfluxDB + pgvector).
3. Разработка — модели и квантизация, интеграция с мобильным приложением.
4. Тестирование — A/B тесты, валидация на реальных пользователях.
5. Деплой — CLI, мобильный SDK или облачный API с мониторингом.

Что входит в результат

Мы передаём: документацию пайплайна, обученные модели с метриками, SDK для iOS/Android, дашборды в Grafana, инструкцию по адаптации под новые устройства. Гарантируем поддержку 3 месяца после деплоя.

Сроки

Базовый stress-монитор (HRV + baseline + мобильное приложение) — от 4 до 5 недель. Полный цикл с EDA, digital phenotyping и edge-обработкой — от 3 до 4 месяцев. Стоимость рассчитывается индивидуально после предварительного аудита.

Получите консультацию AI-инженера с 7+ лет опыта в healthcare ML. Экономия бюджета до 40% за счет раннего выявления стресса — оцените выгоду для вашего проекта.

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.