AI-моніторинг психічного стану за даними носимих пристроїв

AI-моніторинг психічного стану через носимі пристрої

Пацієнти з хронічним стресом часто не помічають погіршення до кризи. Носимі пристрої — Apple Watch, Garmin, Oura Ring — фіксують фізіологію (ЧСС, HRV, ЕКС), але сирі дані безкорисні без інтелектуальної інтерпретації. Наша команда з 7+ років досвіду в AI/ML для healthcare розробляє системи, які перетворюють сирі сенсорні потоки в інтерпретовані метрики стресу та тривоги. Ключова проблема — міжперсональна варіабельність: RMSSD = 30 мс може бути нормою для одного і сигналом тривоги для іншого. Без персоналізації моделі помиляються в 40% випадків. Ми пропонуємо рішення, яке адаптується під кожного користувача за 2 тижні збору даних. Результат — AUC 0.82–0.88 на тестах, що на 15–20% краще єдиних моделей. Оцінимо ваш проєкт за 2 дні і запропонуємо рішення під ключ. Зв'яжіться з нами для попереднього аналізу.

Фізіологічні маркери психічного стану

Вегетативна нервова система (ВНС) безпосередньо відображає стрес-відповідь. Симпатична активація веде до тахікардії, зниження HRV, посилення потовиділення та підвищення температури шкіри. Ключові біомаркери зведено в таблицю:

Feature Engineering з фізіологічних даних

HRV фічі в часовій та частотній областях:

def compute_hrv_stress_features(rr_intervals_ms, window_sec=300):
    """
    5-хвилинне вікно — стандарт для HRV аналізу (Task Force)
    """
    rr = np.array(rr_intervals_ms)

    # Часові 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
    }

    # Частотні 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 обробка з використанням neurokit2:

import neurokit2 as nk

def process_eda_signal(eda_raw, sampling_rate=64):
    """
    neurokit2: розкладання EDA на tonic (SCL) + phasic (SCR) компоненти
    """
    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 гострих стрес-реакцій
        'scr_amplitude_mean': signals['SCR_Amplitude'].mean(),
        'scr_recovery_time': signals['SCR_RecoveryTime'].mean()
    }

Як AI аналізує дані носимих пристроїв?

Ми будуємо бін-класифікатори стресу на основі Random Forest або XGBoost, використовуючи комбінацію HRV, EDA та актиграфії. Моделі навчаються на публічних датасетах (WESAD, DEAP) з подальшою адаптацією під цільову популяцію через transfer learning. Для продакшену застосовуємо ONNX Runtime з INT8-квантизацією — latency p99 < 50 мс на пристрої.

Чому персоналізований baseline критичний?

Абсолютне значення RMSSD = 30 мс може бути нормою для однієї людини і низьким для іншої. Ми використовуємо ковзне середнє за 2 тижні для кожного користувача:

def personalized_stress_score(current_hrv, personal_baseline_hrv):
    """
    Відносне відхилення від персонального baseline
    Більш інтерпретовано, ніж абсолютні значення
    """
    hrv_deviation = (current_hrv['rmssd'] - personal_baseline_hrv['rmssd_mean']) / personal_baseline_hrv['rmssd_std']
    return -hrv_deviation  # інвертуємо: зниження HRV = зростання стресу

Мультимодальна фузія

Late fusion об'єднує scores від кожного сенсора, що забезпечує надійність при відсутності одного з каналів (наприклад, немає 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

Такий підхід дає AUC 0.82–0.88 на внутрішніх тестах — це на 15–20% краще, ніж використання тільки HRV.

Порівняння моделей: що обрати?

XGBoost дає краще співвідношення точності та швидкості. Для edge-пристроїв ми квантизуємо до INT8 — розмір стискається в 4 рази без втрати AUC.

Цифрове фенотипування настрою

Digital phenotyping зі смартфона включає screen time, GPS-трекінг, соціальні взаємодії та патерни сну. За цими даними ми передбачаємо PHQ-9 score з точністю AUC 0.75-0.82. Це не замінює опитувальник, але дозволяє виявляти тенденції без активного заповнення.

Обмеження та етичні аспекти

Точність моделей залежить від контексту: лабораторний стрес (TSST) відрізняється від реального. Ми не ставимо діагнози — система рекомендує звернутися до фахівця при високому stress-score. Всі психологічні дані обробляються на edge для дотримання GDPR (Art. 9). Навчальні вибірки містять bias — ми працюємо над диверсифікацією.

Процес роботи

1. Аналітика — аудит ваших пристроїв і потоків даних, вибір біомаркерів.
2. Проектування — архітектура пайплайну: збір, передобробка, зберігання (InfluxDB + pgvector).
3. Розробка — моделі та квантизація, інтеграція з мобільним додатком.
4. Тестування — A/B тести, валідація на реальних користувачах.
5. Деплой — CLI, мобільний SDK або хмарний API з моніторингом.

Що входить в результат

Ми передаємо: документацію пайплайну, навчені моделі з метриками, SDK для iOS/Android, дашборди в Grafana, інструкцію з адаптації під нові пристрої. Гарантуємо підтримку 3 місяці після деплою.

Строки

Базовий stress-монітор (HRV + baseline + мобільний додаток) — від 4 до 5 тижнів. Повний цикл з EDA, digital phenotyping та edge-обробкою — від 3 до 4 місяців. Вартість розраховується індивідуально після попереднього аудиту.

Отримайте консультацію AI-інженера з 7+ років досвіду в healthcare ML. Економія бюджету до 40% за рахунок раннього виявлення стресу — оцініть вигоду для вашого проєкту.

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.