Реалізація AI-аналізу ЕКГ з носимого пристрою в мобільному застосунку
Ми допомагаємо інтегрувати AI-аналіз одноканальної ЕКГ з носимих пристроїв — Apple Watch Series 4+ або AliveCor KardiaMobile — безпосередньо в мобільний застосунок. Запис триває 30 секунд, частота дискретизації 512 Гц. Цього достатньо для детекції фібриляції передсердь та інших ритмічних порушень. Завдання розробника — прийняти сигнал, коректно обробити та застосувати модель, не допустивши хибнонегативних результатів і регуляторних порушень. Наші інженери мають сертифікацію за медичними стандартами та 5+ років досвіду в медичних mobile-проєктах. Кожне рішення впливає на точність діагностики та безпеку користувача. Ми гарантуємо відповідність вимогам FDA і CE.
Розробка медичного застосунку для аналізу ЕКГ стикається з низкою технічних складнощів: шумний сигнал від натільного пристрою, обмежена обчислювальна потужність телефона, жорсткі вимоги до точності та часу роботи батареї. Без грамотної обробки навіть найкраща модель глибокого навчання дасть false positives на кожному третьому вимірюванні. Ми накопичили досвід інтеграції з HealthKit та BLE-пристроями, який дозволяє уникнути цих пасток.
Як отримати дані ЕКГ з носимих пристроїв?
Apple Watch + HealthKit
Apple Watch Series 4+ записує ЕКГ 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 отримання voltage даних — окремий підзапит 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 повертає сирий сигнал у вольтах (Lead I), частота дискретизації 512 Гц, близько 15360 семплів на 30 секунд. Код вище демонструє отримання сирих voltage-даних. Важливо обробляти помилки та враховувати, що користувач повинен дати дозвіл на читання ЕКГ.
Сторонні пристрої BLE + SDK
AliveCor KardiaMobile, Withings Move ECG та аналоги передають ЕКГ через BLE. Більшість надають SDK: KardiaMobile SDK, Withings SDK. Без SDK — реверс-інжиніринг протоколу (довго та ненадійно). Ми реалізували понад 15 інтеграцій з HealthKit і BLE-пристроями, що гарантує стабільну роботу. При роботі з AliveCor KardiaMobile часто виникає проблема з синхронізацією BLE — ми розробили протокол повторного з'єднання з exponential backoff.
Чому важлива попередня обробка сигналу?
Сирий ЕКГ-сигнал містить шуми: дрейф ізолінії, м'язові артефакти, перешкоди 50/60 Гц. Без фільтрації модель видає хибні спрацьовування.
| Тип шуму | Джерело | Усунення |
|---|---|---|
| Baseline wander | Дихання, рухи | High-pass 0.5 Гц |
| М'язові артефакти | Скорочення м'язів | Low-pass 40 Гц |
| Електричні перешкоди | Розетки 50/60 Гц | Notch-фільтр |
Bandpass фільтр 0.5–40 Гц прибирає основні перешкоди:
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 детекція (алгоритм Pan-Tompkins) потрібна для розрахунку RR-інтервалів — основної ознаки для аритмій. На мобільному телефоні фільтр реалізується нативно: у Swift через Accelerate framework, у Kotlin — через KotlinDL або порт scipy-коду. Крім фільтрації, необхідно видалити артефакти руху — ми використовуємо адаптивний оцінювач дрейфу на основі медіанного фільтра з вікном 200 мс.
Які моделі ефективні для детекції аритмій?
CNN для класифікації ритму
Стандартний підхід — 1D CNN на вікні сигналу 2.5–10 секунд. Вхідний тензор: [batch, time_steps, 1]. Архітектура: Conv1D → MaxPool → Dense → Softmax. Публічні датасети: PhysioNet MIT-BIH Arrhythmia Database (48 двоканальних записів), PTB-XL (21 799 клінічних ЕКГ).
Після навчання конвертуємо 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 квантизація зменшує розмір моделі вдвічі без суттєвої втрати точності. CoreML на Apple Silicon обробляє ЕКГ у 3 рази швидше, ніж TFLite на Android з ML Kit. Для валідації моделі на мобільній платформі ми використовуємо публічні датасети та власні тестові записи. Оцінка якості включає метрики чутливості та специфічності на рівні 95% для фібриляції передсердь.
Обмеження on-device аналізу
Одноканальна ЕКГ із зап'ястя — не клінічна 12-канальна. Чутливість алгоритмів Apple: ФП — 99.3%, але інші порушення потребують повної діагностики. Тому важливо позиціонувати застосунок як інструмент скринінгу, а не заміну лікарської діагностики.
Які регуляторні вимоги потрібно врахувати?
Якщо застосунок заявляє про діагностику — це медичний виріб (CE Class IIa, FDA 510(k)/De Novo). Розробка потребує клінічних випробувань та design control. Якщо позиціонується як інформаційний — регуляторне навантаження нижче, але обов'язкові дисклеймери. Apple сам показує: кожен результат ЕКГ супроводжується попередженням. Ми допомагаємо зібрати необхідну документацію для CE або FDA в рамках попереднього аудиту.
Процес роботи
| Етап | Тривалість | Результат |
|---|---|---|
| Аналітика та регуляторна стратегія | 1-2 тижні | Документ з вимогами |
| Інтеграція з HealthKit/SDK | 1-2 тижні | Робочий збір даних |
| Обробка сигналу | 1-2 тижні | Відфільтрований сигнал, R-peak |
| ML-модель | 2-4 тижні | Навчена та сконвертована модель |
| UI та візуалізація | 1-2 тижні | Екран з результатом |
| Тестування та деплой | 1-2 тижні | App Store/Google Play |
Що входить в роботу
- Документація з інтеграції та регуляторних вимог;
- Доступ до демо-застосунку з аналізатором;
- Навчання команди роботі з моделлю;
- Підтримка після запуску (3 місяці).
Орієнтири за термінами та інвестиціями
Базовий ФП-детектор з CoreML і HealthKit — 3–5 тижнів (інвестиції обговорюються індивідуально). Розширена система з кількома аритміями — 2–3 місяці (інвестиції розраховуються залежно від складності). Повний медичний прилад — окремий проєкт. Економія бюджету при on-device аналізі — до 40% порівняно з хмарною обробкою.
Зв'яжіться з нами для оцінки вашого проєкту — ми запропонуємо оптимальну архітектуру та терміни. Замовте розробку AI-аналізу ЕКГ під ключ з гарантією якості та відповідності стандартам. Отримайте консультацію з інтеграції AI-моделі у ваш застосунок.