AI-анализ ЭКГ с носимого устройства: интеграция в мобильное приложение

Реализация AI-анализа ЭКГ с носимого устройства в мобильном приложении

Мы помогаем интегрировать AI-анализ одноканальной ЭКГ с носимых устройств — Apple Watch Series 4+ или AliveCor KardiaMobile — непосредственно в мобильное приложение. Запись длится 30 секунд, частота дискретизации 512 Гц. Этого достаточно для детекции фибрилляции предсердий и других ритмических нарушений. Задача разработчика — принять сигнал, корректно обработать и применить модель, не допустив ложноотрицательных результатов и регуляторных нарушений. Наши инженеры имеют сертификацию по медицинским стандартам и 5+ лет опыта в медицинских mobile-проектах. Каждое решение влияет на точность диагностики и безопасность пользователя. Мы гарантируем соответствие требованиям FDA и CE.

Разработка медицинского приложения для анализа ЭКГ сталкивается с рядом технических сложностей: шумный сигнал от нательного устройства, ограниченная вычислительная мощность телефона, жесткие требования к точности и времени работы батареи. Без грамотной обработки даже лучшая модель глубокого обучения даст false positives на каждом третьем измерении. Мы накопили опыт интеграции с HealthKit и BLE-устройствами, который позволяет избежать этих ловушек.

Как получить ЭКГ данные с носимых устройств?

Apple Watch + HealthKit

Apple Watch Series 4+ пишет ЭКГ через HKElectrocardiogram. Доступ через HealthKit:

import HealthKit

func fetchLatestECG() async throws -> (HKElectrocardiogram, [Double]) {
    let ecgType = HKObjectType.electrocardiogramType()
    let query = HKSampleQuery(
        sampleType: ecgType,
        predicate: nil,
        limit: 1,
        sortDescriptors: [NSSortDescriptor(key: HKSampleSortIdentifierStartDate, ascending: false)]
    ) { _, samples, error in
        // handle
    }

    // Для получения voltage данных — отдельный подзапрос
    let voltageQuery = HKElectrocardiogramQuery(ecg) { _, result in
        switch result {
        case .measurement(let measurement):
            if let voltage = measurement.quantity(for: .appleWatchSimilarToLeadI) {
                let microvolts = voltage.doubleValue(for: .volt()) * 1_000_000
                voltageData.append(microvolts)
            }
        case .done: break
        case .error(let error): print(error)
        }
    }
    healthStore.execute(voltageQuery)
}

Apple возвращает сырой сигнал в вольтах (Lead I), частота дискретизации 512 Гц, около 15360 семплов на 30 секунд. Код выше демонстрирует получение сырых voltage-данных. Важно обрабатывать ошибки и учитывать, что пользователь должен дать разрешение на чтение ЭКГ.

Сторонние устройства BLE + SDK

AliveCor KardiaMobile, Withings Move ECG и аналоги передают ЭКГ через BLE. Большинство предоставляют SDK: KardiaMobile SDK, Withings SDK. Без SDK — реверс-инжиниринг протокола (долго и ненадёжно). Мы реализовали более 15 интеграций с HealthKit и BLE-устройствами, что гарантирует стабильную работу. При работе с AliveCor KardiaMobile часто возникает проблема с синхронизацией BLE — мы разработали протокол повторного соединения с exponential backoff.

Почему важна предобработка сигнала?

Сырой ЭКГ-сигнал содержит шумы: дрейф изолинии, мышечные артефакты, помехи 50/60 Гц. Без фильтрации модель выдаёт ложные срабатывания.

Bandpass фильтр 0.5–40 Гц убирает основные помехи:

from scipy.signal import butter, filtfilt

def bandpass_filter(signal, fs=512, lowcut=0.5, highcut=40):
    nyq = fs / 2
    low = lowcut / nyq
    high = highcut / nyq
    b, a = butter(4, [low, high], btype='band')
    return filtfilt(b, a, signal)

R-peak детекция (алгоритм Pan-Tompkins) нужна для расчёта RR-интервалов — основного признака для аритмий. На мобиле фильтр реализуется нативно: в Swift через Accelerate framework, в Kotlin — через KotlinDL или порт scipy-кода. Кроме фильтрации, необходимо удалить артефакты движения — мы используем адаптивный оценщик дрейфа на основе медианного фильтра с окном 200 мс.

Какие модели эффективны для детекции аритмий?

CNN для классификации ритма

Стандартный подход — 1D CNN на окне сигнала 2.5–10 секунд. Входной тензор: [batch, time_steps, 1]. Архитектура: Conv1D → MaxPool → Dense → Softmax. Публичные датасеты: PhysioNet MIT-BIH Arrhythmia Database (48 двухканальных записей), PTB-XL (21 799 клинических ЭКГ).

После обучения конвертируем в CoreML:

import coremltools as ct

spec = ct.convert(
    torch_model,
    inputs=[ct.TensorType(shape=(1, 2560, 1), dtype=np.float32)],
    compute_precision=ct.precision.FLOAT16,
    compute_units=ct.ComputeUnit.CPU_AND_NE
)
spec.save("ECGClassifier.mlpackage")

FLOAT16 квантизация уменьшает размер модели вдвое без существенной потери точности. CoreML на Apple Silicon обрабатывает ЭКГ в 3 раза быстрее, чем TFLite на Android с ML Kit. Для валидации модели на мобильной платформе мы используем публичные датасеты и собственные тестовые записи. Оценка качества включает метрики чувствительности и специфичности на уровне 95% для фибрилляции предсердий.

Ограничения on-device анализа

Одноканальная ЭКГ с запястья — не клиническая 12-канальная. Чувствительность алгоритмов Apple: ФП — 99.3%, но другие нарушения требуют полной диагностики. Поэтому важно позиционировать приложение как инструмент скрининга, а не замену врачебной диагностики.

Какие регуляторные требования нужно учесть?

Если приложение заявляет о диагностике — это медицинское изделие (CE Class IIa, FDA 510(k)/De Novo). Разработка требует клинических испытаний и design control. Если позиционируется как информационное — регуляторная нагрузка ниже, но обязательны дисклеймеры. Apple сам показывает: каждый результат ЭКГ сопровождается предупреждением. Мы помогаем собрать необходимую документацию для CE или FDA в рамках предварительного аудита.

Процесс работы

Что входит в работу

• Документация по интеграции и регуляторным требованиям;
• Доступ к демо-приложению с анализатором;
• Обучение команды работе с моделью;
• Поддержка после запуска (3 месяца).

Ориентиры по срокам и инвестициям

Базовый ФП-детектор с CoreML и HealthKit — 3–5 недель (инвестиции обсуждаются индивидуально). Расширенная система с несколькими аритмиями — 2–3 месяца (инвестиции рассчитываются в зависимости от сложности). Полный медицинский прибор — отдельный проект. Экономия бюджета при on-device анализе — до 40% по сравнению с облачной обработкой.

Свяжитесь с нами для оценки вашего проекта — мы предложим оптимальную архитектуру и сроки. Закажите разработку AI-анализа ЭКГ под ключ с гарантией качества и соответствия стандартам. Получите консультацию по интеграции AI-модели в ваше приложение.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).