AI-анализ качества сна в мобильном приложении

Реализация AI-анализа качества сна по данным датчиков

Акселерометр на запястье во время сна пишет характерные паттерны: глубокий сон — почти неподвижность с микродвижениями, REM — редкие движения с нарастающим пульсом, бодрствование — явная активность. Задача модели — правильно разметить 8 часов этих данных. Мы уже реализовали такие системы для нескольких проектов: средняя точность Wake/Sleep детектора — 85%, четырехстадийная классификация — 70%. Стоимость разработки зависит от сложности интеграции и источников данных, а мы помогаем сэкономить бюджет за счёт использования существующих HealthKit-данных.

Источники сырых данных

На iOS данные сна доступны через HealthKit как HKCategoryType(.sleepAnalysis). Apple Watch и сторонние трекеры (Oura, Fitbit, Garmin) записывают туда этапы сна. Но если нужны сырые данные акселерометра и гироскопа для собственной ML-классификации — HealthKit их не отдаёт в ретроспективе. Нужно фоновое приложение с CMMotionManager, пишущее данные на диск.

class NightMotionRecorder {
    private let motionManager = CMMotionManager()
    private var dataBuffer: [(timestamp: Date, x: Double, y: Double, z: Double)] = []

    func startNightRecording() {
        guard motionManager.isAccelerometerAvailable else { return }
        motionManager.accelerometerUpdateInterval = 1.0 / 25.0  // 25 Hz достаточно для сна

        motionManager.startAccelerometerUpdates(to: .main) { [weak self] data, error in
            guard let data = data else { return }
            self?.dataBuffer.append((
                timestamp: Date(),
                x: data.acceleration.x,
                y: data.acceleration.y,
                z: data.acceleration.z
            ))
        }
    }
}

25 Hz — баланс между точностью и расходом батареи. Сон не требует 100 Hz акселерометра. Background режим для CMMotionManager нужен через UIBackgroundModes: motion в Info.plist — но iOS агрессивно завершает фоновые задачи. Надёжнее: BGProcessingTask для ночной обработки данных с частичными записями.

Данные пульсоксиметрии через HKQuantityType(.oxygenSaturation). Apple Watch Series 6+ пишет SpO2 каждые 1-2 часа ночью в фоне. Падение ниже 90% — признак апноэ сна. Но Apple не пишет ночной SpO2 непрерывно (из соображений батареи), поэтому прерывистые данные нужно интерполировать осторожно. В одном из проектов мы использовали кубическую интерполяцию с учетом времени пробуждений. Исследование Sleep Heart Health Study подтверждает эффективность такого подхода при достаточном количестве точек.

Как строится классификация фаз сна?

Задача — 4 класса: Wake, Light NREM, Deep NREM (N3), REM. Клинический стандарт — полисомнография (PSG) с ЭЭГ. Акселерометра и ЧСС достаточно для Wake/Sleep разделения с точностью ~85%, полная 4-стадийная классификация — 60–75% agreement с PSG.

Feature engineering из акселерометра

Из сырого 25 Hz сигнала за 30-секундные эпохи вычисляем:

• Activity count — сумма абсолютных изменений вектора ускорения (Cole-Kripke алгоритм)
• ZCR (Zero Crossing Rate) — частота пересечений нуля, коррелирует с мелкой моторикой
• ENMO (Euclidean Norm Minus One) — стандарт в актиграфии, sqrt(x²+y²+z²) - 1g, убирает гравитацию
• Angle z-axis — угол запястья, характерный для разных поз сна

Из ЧСС (если есть) добавляем:

• ЧСС в покое vs текущая ЧСС (дельта)
• HRV (RMSSD из RR-интервалов) — в REM HRV выше чем в deep sleep

Модель

Random Forest на этих фичах даёт разумную базу. Для temporal context — LSTM поверх RF-фич: RF выдаёт вектор признаков для каждой 30-сек эпохи, LSTM учитывает последовательность эпох. Это паттерн из исследований Stanford Sleep Lab.

# Feature extraction для одной эпохи (30 сек, 750 семплов при 25 Hz)
def extract_epoch_features(epoch_data):
    x, y, z = epoch_data[:, 0], epoch_data[:, 1], epoch_data[:, 2]
    enmo = np.maximum(np.sqrt(x**2 + y**2 + z**2) - 1, 0)
    angle_z = np.arctan(z / np.sqrt(x**2 + y**2 + 1e-6)) * 180 / np.pi

    return {
        'enmo_mean': np.mean(enmo),
        'enmo_std': np.std(enmo),
        'enmo_max': np.max(enmo),
        'angle_z_mean': np.mean(angle_z),
        'angle_z_std': np.std(angle_z),
        'activity_count': np.sum(np.abs(np.diff(enmo)))
    }

Как обеспечивается точность классификации?

Точность зависит от качества входных данных и выбора модели. Мы проводим кросс-валидацию на размеченных наборах, таких как Sleep-EDF или собственных. Дополнительно используем ансамбль моделей и калибровку вероятностей. Персонализированные рекомендации сна формируются на основе выявленных паттернов: например, при снижении доли N3 ниже 10% выдаётся совет по увеличению времени сна.

Что входит в реализацию?

Итоговый deliverables: документация по модели, код интеграции, доступ к репозиторию, обучение команды. Оценим ваш проект после анализа текущего приложения.

Как интерпретировать результаты?

Гипнограмма (график фаз сна по оси времени) — стандартный способ отображения. Дополнительно: Sleep Score как агрегатная метрика, breakdown по времени в каждой фазе, выявленные паттерны (позднее засыпание, частые пробуждения).

Рекомендации привязываем к конкретным паттернам: «Доля N3 (глубокого сна) упала с 18% до 9% за последние 5 ночей» + конкретный совет, а не «улучшите качество сна». Наши инженеры имеют опыт работы с HealthKit и Core ML более 5 лет, гарантируем корректную обработку фоновых задач и соблюдение App Store Review Guidelines.

Процесс работы

1. Аналитика: выбор источников данных (HealthKit vs сырой акселерометр), оценка точности.
2. Проектирование: pipeline обработки ночных данных, архитектура ML.
3. Реализация: feature engineering, обучение модели, конвертация.
4. Тестирование: на реальных данных с носимых устройств, A/B тесты.
5. Деплой: интеграция в приложение, мониторинг.

Свяжитесь с нами для консультации — оценим проект бесплатно. Закажите предварительный аудит вашего приложения для оценки возможности интеграции AI-анализа сна.

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).