AI-аналіз ЕКГ з носимого пристрою: інтеграція в мобільний застосунок

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.

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

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.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.