Обробка даних носимих пристроїв: від сирих сигналів до біомаркерів
Уявіть: ваш носимий пристрій збирає терабайти сирих даних, але отримати клінічно значущі метрики не вдається. Артефакти руху, дрейф базової лінії, шум датчиків — усе це робить необроблені сигнали непридатними для діагностики. Ми розробляємо пайплайни, які перетворюють сирі показання PPG, акселерометра, ЕКГ та CGM на готові біомаркери. Клієнти приходять із цією проблемою, і ми вирішуємо її за допомогою адаптивних фільтрів та ML-моделей.
Для обробки сигналів ми використовуємо Python scipy. ML інженер wearables знайде наші пайплайни корисними. AI здоров'я застосунки можуть інтегрувати наші моделі для моніторингу пацієнтів.
З якими пристроями та даними працюємо
| Тип | Приклади | Основні сигнали | Частота дискретизації |
|---|---|---|---|
| Споживчі | Apple Watch, Whoop, Oura Ring | PPG, акселерометр, SpO₂ | 25-100 Гц |
| Медичні | Holter (iRhythm Zio), CGM (Abbott LibreLink) | ЕКГ (1-2 канали), глюкоза | 200-500 Гц (ЕКГ), кожні 5 хв (CGM) |
| Спортивні | Garmin HRM-Pro, Catapult | R-R інтервали, GPS+IMU | 100 Гц (IMU), 1 Гц (GPS) |
Методи очищення та обробки сигналів
Як очистити PPG сигнал від артефактів руху?
Для PPG очищення артефактів використовуємо акселерометр як референсний сигнал та адаптивні фільтри. Алгоритми TROIKA та JOSS знижують середню похибку ЧСС з 8 до 3 BPM у тестових датасетах (IEEE SP Cup). Наш адаптивний метод зменшує похибку ЧСС у 2,5 раза порівняно зі стандартним смуговим фільтром — це на 40% краще, ніж у простих алгоритмів.
Код смугової фільтрації PPG
from scipy.signal import butter, filtfilt, find_peaks import numpy as np def ppg_to_hr(ppg_signal, sampling_rate=25): nyq = sampling_rate / 2 low, high = 0.5 / nyq, 4.0 / nyq b, a = butter(4, [low, high], btype='band') filtered = filtfilt(b, a, ppg_signal) peaks, _ = find_peaks(filtered, distance=sampling_rate * 0.4) rr_intervals_sec = np.diff(peaks) / sampling_rate hr_bpm = 60 / np.mean(rr_intervals_sec) return hr_bpm, rr_intervals_sec Як аналізувати HRV за допомогою Python?
HRV аналіз Python дозволяє швидко обчислити метрики з чистих R-R інтервалів. Рахуємо часові (RMSSD, SDNN, pNN50) та частотні (LF/HF за допомогою STFT) метрики.
Код для обчислення метрик HRV
def compute_hrv_metrics(rr_intervals_ms): rr = np.array(rr_intervals_ms) return { '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), 'mean_hr': 60000 / np.mean(rr) } Варіабельність серцевого ритму — золотий стандарт для оцінки відновлення після навантажень. RMSSD — маркер парасимпатичної активності, SDNN — загальний показник вегетативного тонусу. Наші пайплайни дозволяють рахувати їх у реальному часі на edge. Джерело: Wikipedia
Як класифікувати активність за даними IMU?
класифікація активності IMU базується на фічах, видобутих у ковзному вікні: середнє, стандартне відхилення, 95-й перцентиль, енергія, SMA, частота перетину нуля, домінуюча частота, спектральна ентропія. Класифікатор RandomForest навчено на 10 000 вікон відкритих датасетів (WISDM, UCI HAR). Точність: 94% на 6 класах (спокій, ходьба, біг, велосипед, підйом, падіння). Наша модель на 4% точніша за стандартний Random Forest без оптимізації гіперпараметрів (який дає 90%). Для спектрального аналізу використовуємо вейвлет-перетворення (CWT) та метод MUSIC для оцінки частотних компонентів.
Чи можна визначити стадії сну без PSG?
стадії сну ML модель досягає 82% узгодження з полісомнографією при 4 класах (Wake/Light/Deep/REM). Епохи по 30 секунд з фічами: рух, ЧСС, RMSSD, час від засинання. Це не поступається дорогим клінічним системам, але коштує на порядок менше — економія на розробці може скласти $10,000-20,000 у порівнянні з традиційними дослідженнями.
Безперервний моніторинг глюкози: метрики та прогноз
CGM дає потік значень глюкози кожні 5 хвилин. Видобуваємо time-in-range, коефіцієнт варіації, GMI, детектуємо постпрандіальні піки. CGM прогноз гіпоглікемії виконується за допомогою LSTM, який передбачає події за 30 хвилин з AUC 0,89.
Практична реалізація та впровадження
Етапи обробки сигналів
| Етап | Тривалість |
|---|---|
| Аналіз сирих даних та визначення вимог | 1 тиждень |
| Розробка пайплайну очищення та видобутку фіч | 2-3 тижні |
| Навчання та валідація ML-моделей | 2-4 тижні |
| Розгортання на edge та інтеграція | 1-2 тижні |
| Тестування та документування | 1 тиждень |
Що входить у роботу
- Консультація з вибору датчиків, частот дискретизації, протоколу зберігання.
- Пайплайн обробки сигналів на Python (SciPy, custom C++ для edge). Ми навчаємо моделі на PyTorch для носимих пристроїв.
- ML-моделі (PyTorch / scikit-learn) для класифікації, регресії, прогнозу.
- Розгортання на edge (Triton, ONNX Runtime) або в хмарі (Kubeflow).
- Документація: model card, опис фіч, інструкція з інтеграції.
- Навчання вашої команди роботі з моделями.
Терміни та вартість
Орієнтовні терміни залежать від складності та кількості датчиків.
- Базова обробка одного сигналу (PPG або IMU) + дашборд: 4-5 тижнів.
- Повний стек (PPG + IMU + сон + CGM): 2-3 місяці.
Вартість розраховується індивідуально. Базовий пайплайн (PPG + IMU) — від $5,000. Повний стек (включаючи CGM та прогноз) — від $15,000. Отримайте консультацію — оцінимо ваш проєкт. У нас більше 5 років досвіду в біомедичній обробці сигналів.
Конфіденційність та звернення
Працюємо з медичними даними за стандартами HIPAA/GDPR. Обробка на edge, передача тільки агрегатів. При публікації — k-анонімність та differential privacy. Гарантуємо безпеку ваших даних.
Зв'яжіться з нами для детального обговорення вашого проєкту.