AI-аналіз якості сну в мобільному застосунку

Реалізація AI-аналізу якості сну за даними датчиків

Акселерометр на зап'ясті під час сну записує характерні патерни: глибокий сон — майже нерухомість з мікрорухами, REM — рідкісні рухи з наростаючим пульсом, неспання — явна активність. Задача моделі — правильно розмітити 8 годин цих даних. Ми вже реалізували такі системи для кількох проєктів: середня точність Wake/Sleep детектора — 85%, чотиристадійна класифікація — 70%. Вартість розробки залежить від складності інтеграції та джерел даних, а ми допомагаємо зекономити бюджет за рахунок використання наявних HealthKit-даних.

Джерела сирих даних

На iOS дані сну доступні через HealthKit як HKCategoryType(.sleepAnalysis). Apple Watch і сторонні трекери (Oura, Fitbit, Garmin) записують туди етапи сну. Але якщо потрібні сирі дані акселерометра та гіроскопа для власної ML-класифікації — HealthKit їх не віддає ретроспективно. Потрібен фоновий застосунок з CMMotionManager, який записує дані на диск.

class NightMotionRecorder {
    private let motionManager = CMMotionManager()
    private var dataBuffer: [(timestamp: Date, x: Double, y: Double, z: Double)] = []

    func startNightRecording() {
        guard motionManager.isAccelerometerAvailable else { return }
        motionManager.accelerometerUpdateInterval = 1.0 / 25.0  // 25 Hz достатньо для сну

        motionManager.startAccelerometerUpdates(to: .main) { [weak self] data, error in
            guard let data = data else { return }
            self?.dataBuffer.append((
                timestamp: Date(),
                x: data.acceleration.x,
                y: data.acceleration.y,
                z: data.acceleration.z
            ))
        }
    }
}

25 Hz — баланс між точністю та витратою батареї. Сон не потребує 100 Hz акселерометра. Background режим для CMMotionManager потрібен через UIBackgroundModes: motion в Info.plist — але iOS агресивно завершує фонові завдання. Надійніше: BGProcessingTask для нічної обробки даних з частковими записами.

Дані пульсоксиметрії через HKQuantityType(.oxygenSaturation). Apple Watch Series 6+ записує SpO2 кожні 1-2 години вночі у фоні. Падіння нижче 90% — ознака апное сну. Але Apple не записує нічний SpO2 безперервно (через батарею), тому переривчасті дані потрібно інтерполювати обережно. В одному з проєктів ми використовували кубічну інтерполяцію з урахуванням часу пробуджень. Дослідження Sleep Heart Health Study підтверджує ефективність такого підходу при достатній кількості точок.

Як будується класифікація фаз сну?

Завдання — 4 класи: Wake, Light NREM, Deep NREM (N3), REM. Клінічний стандарт — полісомнографія (PSG) з ЕЕГ. Акселерометра та ЧСС достатньо для Wake/Sleep розділення з точністю ~85%, повна 4-стадійна класифікація — 60–75% agreement з PSG.

Feature engineering з акселерометра

Із сирого 25 Hz сигналу за 30-секундні епохи обчислюємо:

• Activity count — сума абсолютних змін вектора прискорення (Cole-Kripke алгоритм)
• ZCR (Zero Crossing Rate) — частота перетинів нуля, корелює з дрібною моторикою
• ENMO (Euclidean Norm Minus One) — стандарт в актиграфії, sqrt(x²+y²+z²) - 1g, прибирає гравітацію
• Angle z-axis — кут зап'ястя, характерний для різних поз сну

З ЧСС (якщо є) додаємо:

• ЧСС у спокої vs поточна ЧСС (дельта)
• HRV (RMSSD з RR-інтервалів) — в REM HRV вища ніж у deep sleep

Модель

Random Forest на цих фічах дає розумну базу. Для temporal context — LSTM поверх RF-фіч: RF видає вектор ознак для кожної 30-сек епохи, LSTM враховує послідовність епох. Це патерн з досліджень Stanford Sleep Lab.

# Feature extraction для однієї епохи (30 сек, 750 семплів при 25 Hz)
def extract_epoch_features(epoch_data):
    x, y, z = epoch_data[:, 0], epoch_data[:, 1], epoch_data[:, 2]
    enmo = np.maximum(np.sqrt(x**2 + y**2 + z**2) - 1, 0)
    angle_z = np.arctan(z / np.sqrt(x**2 + y**2 + 1e-6)) * 180 / np.pi

    return {
        'enmo_mean': np.mean(enmo),
        'enmo_std': np.std(enmo),
        'enmo_max': np.max(enmo),
        'angle_z_mean': np.mean(angle_z),
        'angle_z_std': np.std(angle_z),
        'activity_count': np.sum(np.abs(np.diff(enmo)))
    }

Як забезпечується точність класифікації?

Точність залежить від якості вхідних даних та вибору моделі. Ми проводимо крос-валідацію на розмічених наборах, таких як Sleep-EDF або власних. Додатково використовуємо ансамбль моделей та калібрування ймовірностей. Персоналізовані рекомендації сну формуються на основі виявлених патернів: наприклад, при зниженні частки N3 нижче 10% видається порада щодо збільшення часу сну.

Що входить у реалізацію?

Підсумкові deliverables: документація по моделі, код інтеграції, доступ до репозиторію, навчання команди. Оцінимо ваш проєкт після аналізу поточного застосунку.

Як інтерпретувати результати?

Гіпнограма (графік фаз сну по осі часу) — стандартний спосіб відображення. Додатково: Sleep Score як агрегатна метрика, breakdown за часом у кожній фазі, виявлені патерни (пізнє засинання, часті пробудження).

Рекомендації прив'язуємо до конкретних патернів: «Частка N3 (глибокого сну) впала з 18% до 9% за останні 5 ночей» + конкретна порада, а не «покращте якість сну». Наші інженери мають досвід роботи з HealthKit і Core ML понад 5 років, гарантуємо коректну обробку фонових завдань та дотримання App Store Review Guidelines.

Процес роботи

1. Аналітика: вибір джерел даних (HealthKit vs сирий акселерометр), оцінка точності.
2. Проєктування: pipeline обробки нічних даних, архітектура ML.
3. Реалізація: feature engineering, навчання моделі, конвертація.
4. Тестування: на реальних даних з носимих пристроїв, A/B тести.
5. Деплой: інтеграція в застосунок, моніторинг.

Зв'яжіться з нами для консультації — оцінимо проєкт безкоштовно. Замовте попередній аудит вашого застосунку для оцінки можливості інтеграції AI-аналізу сну.

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.