Реализация AI-мониторинга здоровья по данным датчиков в мобильном приложении

Реализация AI-мониторинга здоровья по данным датчиков в мобильном приложении

Apple Watch передаёт 30 измерений пульса в минуту. Fitbit отдаёт SpO2 каждые 5 секунд. Смысл не в сборе этих цифр — смысл в том, чтобы модель сказала «что-то не так» раньше, чем это почувствует пользователь.

Источники данных датчиков

iOS: HealthKit

HealthKit — единственный правильный способ получать данные здоровья на iOS. Прямые запросы к Bluetooth-датчикам без HealthKit нарушают гайдлайны App Store.

import HealthKit

class HealthDataCollector {
    private let healthStore = HKHealthStore()

    func requestAuthorization() async throws {
        let types: Set<HKQuantityType> = [
            HKQuantityType(.heartRate),
            HKQuantityType(.oxygenSaturation),
            HKQuantityType(.stepCount),
            HKQuantityType(.heartRateVariabilitySDNN),
            HKQuantityType(.restingHeartRate)
        ]
        try await healthStore.requestAuthorization(toShare: [], read: types)
    }

    func observeHeartRate(handler: @escaping (Double) -> Void) {
        let heartRateType = HKQuantityType(.heartRate)
        let query = HKAnchoredObjectQuery(
            type: heartRateType,
            predicate: nil,
            anchor: nil,
            limit: HKObjectQueryNoLimit
        ) { _, samples, _, _, _ in
            guard let samples = samples as? [HKQuantitySample] else { return }
            samples.forEach { sample in
                let bpm = sample.quantity.doubleValue(
                    for: HKUnit(from: "count/min")
                )
                handler(bpm)
            }
        }
        query.updateHandler = { _, samples, _, _, _ in
            guard let samples = samples as? [HKQuantitySample] else { return }
            samples.forEach { sample in
                handler(sample.quantity.doubleValue(for: HKUnit(from: "count/min")))
            }
        }
        healthStore.execute(query)
    }
}

HKAnchoredObjectQuery — правильный выбор для наблюдения в реальном времени. Обычный HKSampleQuery делает снимок и не обновляется.

Android: Health Connect + датчики напрямую

Health Connect (API 26+) — аналог HealthKit для Android. Агрегирует данные от Galaxy Health, Fitbit, Garmin. Прямой доступ к датчикам через SensorManager:

class SensorCollector(private val context: Context) : SensorEventListener {
    private val sensorManager = context.getSystemService(SensorManager::class.java)
    private val heartRateSensor = sensorManager.getDefaultSensor(Sensor.TYPE_HEART_RATE)

    fun startMonitoring() {
        sensorManager.registerListener(
            this,
            heartRateSensor,
            SensorManager.SENSOR_DELAY_NORMAL
        )
    }

    override fun onSensorChanged(event: SensorEvent) {
        if (event.sensor.type == Sensor.TYPE_HEART_RATE) {
            val bpm = event.values[0]
            val accuracy = event.accuracy  // SENSOR_STATUS_ACCURACY_HIGH требуем
            if (accuracy >= SensorManager.SENSOR_STATUS_ACCURACY_MEDIUM) {
                processHeartRate(bpm)
            }
        }
    }
}

Проверка accuracy — обязательна. SENSOR_STATUS_UNRELIABLE (0) даёт артефакты: пульс 255 bpm на мокрой коже датчика.

AI-анализ: детекция аномалий

Задача — выявить отклонения от персональной нормы. Не от медицинских норм (это не медицинский прибор), а от нормы конкретного пользователя.

Isolation Forest — хорошо работает для многомерных временных рядов с небольшим набором фич. Тренируем на «нормальном» поведении за 2–4 недели, выявляем выбросы. Конвертируется в CoreML через coremltools.converters.sklearn.

Скользящие статистики + z-score — проще, интерпретируемее, не требует ML:

func detectAnomaly(currentHR: Double, history: [Double]) -> AnomalyLevel {
    let mean = history.reduce(0, +) / Double(history.count)
    let variance = history.map { pow($0 - mean, 2) }.reduce(0, +) / Double(history.count)
    let stdDev = sqrt(variance)
    let zScore = abs(currentHR - mean) / stdDev

    switch zScore {
    case 0..<2.0: return .normal
    case 2.0..<3.0: return .elevated
    default: return .alert
    }
}

z-score > 3 — статистически значимая аномалия. Но нужен контекст: пульс 160 bpm после WorkoutStart в HealthKit — норма, тот же пульс в покое — аномалия. Контекст активности подключаем через CMMotionActivityManager (iOS) или ActivityRecognitionClient (Android).

Персональные рекомендации

На основе агрегированных паттернов (HRV, пульс в покое, шаги, качество сна) строим систему рекомендаций. Не «занимайтесь спортом» — а «у вас HRV снизился на 18% за 3 дня, что обычно коррелирует с недосыпом — сегодня лучше лёгкая тренировка».

Рекомендации реализуем как rule-based систему поверх ML-аналитики: ML выявляет паттерн, правила превращают его в конкретное сообщение. Rule engine проще тестировать и регулировать, чем «черный ящик».

Приватность и регуляторика

Данные здоровья — sensitive data. GDPR и Apple Review требуют явного consent перед каждым типом данных. Хранение на сервере должно быть зашифрованным (AES-256 at rest, TLS 1.3 in transit).

Если приложение позиционируется как медицинское (диагностика, лечение) — нужна FDA 510(k) clearance (США) или CE marking (EU). Для wellness-приложений без медицинских claims эта регуляторика не применяется — но маркетинговые тексты должны это учитывать.

Процесс работы

Проектирование data pipeline: источники → нормализация → хранение. Разработка ML-модели детекции аномалий, тренировка и валидация. Конвертация в CoreML/TFLite. Интеграция с HealthKit / Health Connect. UI-компоненты: дашборд здоровья, алерты, рекомендации. Тестирование на реальных носимых устройствах.

Ориентиры по срокам

Базовый мониторинг с z-score детекцией и дашбордом — 2–3 недели. Полноценная AI-система с Isolation Forest, персонализированными рекомендациями и фоновым обновлением модели — 4–8 недель.