AI-моніторинг фізичної форми за датчиками

Тренер бачить: спортсмен скаржиться на втому, HRV впав на 30%, а тести не зростають. Але щоденник тренувань показує перевантаження. При нестабільному Wi-Fi дані можуть втрачатися, а HRV-інтервали містять артефакти — без коректної фільтрації та інтерполяції AI-модель буде помилятися. Без безперервного моніторингу та AI-аналізу важко відрізнити перетренованість від початку хвороби. Ми будуємо системи, які перетворюють сирі дані носимих пристроїв на actionable insights: оцінку відновлення, прогноз результатів та раннє попередження про збої.

Носимі пристрої — Whoop, Oura Ring, Garmin, Apple Watch — безперервно збирають біометрію. AI-система агрегує ці потоки, обчислює Recovery Score, персональний фізіологічний базис та довгострокові тренди. Результат — об'єктивна картина готовності до навантаження. Персоналізований baseline у 2 рази чутливіший за популяційну норму при детекції відхилень. Вартість впровадження починається від $5000 за базову інтеграцію. Економія часу тренера до 50% на ручному аналізі даних. Стек: Python, PyTorch, PostgreSQL з TimescaleDB для зберігання часових рядів, MLflow для відстеження експериментів.

Як AI аналізує дані носимих датчиків?

Серцево-судинні метрики: HRV, пульс спокою, SpO2. Активність: кроки, GPS, гіроскоп. Сон: REM, глибокий, легкий. Температура шкіри: відхилення від baseline — індикатор хвороби.

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% — червоний, 34-66% — жовтий, 67%+ — зелений.

Чому важливий персональний фізіологічний базис?

Ключовий принцип — порівняння з власним базисом, а не з "нормою" по популяції:

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 спортивних результатів

Fitness-Fatigue модель (Banister):

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

Персональні τ оцінюються через нелінійну оптимізацію (scipy.optimize). Модель підбирає tapering під змагання. Економія часу тренера на ручному аналізі даних 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

Дослідження Stanford COVID study показує: носимі пристрої виявляли COVID за 0-2 дні до симптомів у 63% учасників. Зниження витрат на медичні консультації за рахунок раннього виявлення.

Довгостроковий прогрес

VO2max estimation через Firstbeat-методологію (похибка ±3-5 мл/(кг·хв)). Аналіз динаміки навантаження на 12-52 тижні, адаптація через тренд resting HR і HRV.

Що входить в роботу (під ключ)

• Документація по API та моделі даних
• Дашборд з Recovery Score, прогнозом та трендами
• REST API для інтеграції у вашу екосистему
• Навчання команди (3 сесії)
• Технічна підтримка на 3 місяці
• Вихідний код моделей (за домовленістю)
• Оцінка проекту безкоштовно — пишіть для комерційної пропозиції

Процес роботи

1. Аналітика: збір вимог, вибір API носимих пристроїв.
2. Проектування: архітектура збору даних, модель Recovery Score.
3. Реалізація: інтеграція API, ML-моделі (fitness-fatigue, illness detection).
4. Тестування: валідація на реальних даних, A/B-тест.
5. Деплой: дашборд + REST API, навчання команди.

Обробка сигналу: фільтрація артефактів

Сирі дані з носимих пристроїв містять викиди та пропуски. Для HRV-інтервалів застосовуємо фільтр Берту: видаляємо RR-інтервали з відхиленням >20% від медіани сусідніх. Пропуски відновлюємо через кубічну інтерполяцію при пропуску ≤5 хвилин і через форвард-екстраполяцію з деградацією впевненості при пропуску >5 хвилин. Для акселерометра та гіроскопа — медіанний фільтр з вікном 5 точок прибирає ударні артефакти при носінні. Результат коректної передобробки: зниження RMSE Recovery Score на 12–18% порівняно з обробкою сирих даних. Якість інтерполяції верифікується на контрольних паузах, навмисно внесених у тестовий датасет.

Терміни орієнтовно

Отримайте консультацію інженера: ми проаналізуємо ваші дані та підберемо архітектуру. Зв'яжіться з нами для оцінки вашого проекту. Замовте демо-доступ до працюючого прототипу. Робота під ключ: оцініть проект безкоштовно, пишіть на отримання комерційної пропозиції.

Компанія має 5+ років досвіду та понад 20 успішних проектів у спортивній аналітиці. Гарантуємо якість та дотримання термінів.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.