Современные фитнес-часы умеют многое: измерять пульс, следить за сном, подсчитывать калории, помогать с простыми задачами в повседневной жизни. О том, как работают алгоритмы в этих устройствах и может ли машинное обучение приводить к ошибкам, рассказала старший преподаватель кафедры программной инженерии Института информационных технологий и интеллектуальных систем Казанского федерального университета Елена Лукьяничева.

По словам специалиста, шаги определяются прежде всего по данным трехосевого акселерометра, иногда с использованием гироскопа.  После фильтрации сигнала алгоритм ищет периодические колебания и характерные пики. Классификатор активности помогает отличать ходьбу от других движений руки.

«Пульс оценивается методом фотоплетизмографии (PPG): светодиоды освещают кожу, фотодатчик фиксирует колебания отраженного света, связанные с изменением кровенаполнения тканей. Применяются цифровые фильтры, анализ периодичности, спектральные методы и подавление артефактов движения», – объяснила ученый.

При этом калории не измеряются напрямую. Их рассчитывают по частоте пульса, движениям, длительности активности, массе тела, возрасту и другим данным. Используются эмпирические формулы, метаболические эквиваленты (MET), регрессия и модели машинного обучения. Это более косвенная и менее надежная оценка.

Старший преподаватель также пояснила, почему устройства показывают разные результаты:

«Устройства различаются сенсорами, частотой дискретизации, фильтрацией, обработкой пропусков, критериями распознавания шагов и методами сглаживания пульса. Поэтому одни быстрее отражают изменения, а другие показывают более устойчивый усредненный показатель».

Различия между алгоритмами могут быть значительными. Однако точная реализация обычно не раскрывается производителями. Надежнее сравнивать конкретные модели в независимых испытаниях и в одинаковых условиях.

«Ошибки возникают при необычной походке, движениях рукой без ходьбы, плохом контакте оптического датчика, аритмиях и ситуациях, плохо представленных в обучающих данных. Важно не только предсказать значение, но и оценить достоверность прогноза», – подчеркнула спикер.

Надежность показателей зависит от модели и условий испытаний. Отдельные исследования показывают относительно небольшие ошибки шагомера при равномерной ходьбе, но заметно большие – при оценке энергозатрат.

Кроме того, смещение корпуса относительно кожи меняет оптический сигнал и может имитировать пульсовые колебания. Пот и влага способны ухудшать фиксацию и оптический сигнал, слишком свободная посадка вызывает смещение датчика, а чрезмерно плотная может влиять на локальный кровоток.

«Для уменьшения помех применяются методы совместного анализа PPG и акселерометра, фильтрация и выявление интервалов ненадежного измерения», – подчеркнула Елена Лукьяничева.

Если говорить о фиксации фазы сна, то в бытовом трекере она является результатом косвенной модели по движению, пульсу, вариабельности сердечного ритма и другим признакам.

«Браслеты обычно лучше оценивают факт и продолжительность сна, чем различают конкретные стадии. Их данные полезны для анализа режима, но не предназначены для диагностики расстройств по одной ночи», – заявила спикер.

При использовании умных часов необходимо помнить и о безопасности. Как объяснила казанский ученый, данные проходят путь от браслета через Bluetooth к смартфону и далее в облако. Риски включают слабое сопряжение устройств, ошибки аутентификации, недостаточное разграничение прав, уязвимости API, компрометацию аккаунта и неправильную конфигурацию облачного хранилища.

«Шифрование канала необходимо, но недостаточно. Важны безопасное обновление прошивок, хранение ключей, защита учетных записей, управление доступом и ограничение срока хранения», – предупредила старший преподаватель кафедры программной инженерии ИТИС.

Дело в том, что данные могут обрабатывать производитель, облачные подрядчики и сторонние сервисы, которым предоставлен доступ. Допустимые цели зависят от условий сервиса и законодательства: персональная аналитика, улучшение продукта, исследования и некоторые партнерские сценарии.

«Даже обезличенные на первый взгляд временные ряды активности могут содержать уникальные поведенческие признаки. Поэтому принципиальны прозрачные цели использования, минимизация данных и возможность управлять доступом. Данные о здоровье подпадают под повышенные требования защиты в ряде юрисдикций, включая GDPR», – проинформировала специалист.

Нельзя не отметить и пользу применения трекеров. По мнению Е. Лукьяничевой, наиболее полезно отслеживание длительных тенденций: регулярность активности, режим сна, изменение пульса в покое. Для этого особенно важна сопоставимость наблюдений во времени.

«Ложное чувство контроля возникает при буквальной интерпретации каждой оценки. Индекс стресса не измеряет психологическое состояние напрямую, а „высокое качество сна“ не гарантирует восстановление. Трекер – инструмент наблюдения, а не универсальный диагностический прибор», – заключила исследовательница.

В ИТИС Казанского университета развиваются направления анализа данных, машинного обучения и искусственного интеллекта, применимые к обработке сигналов носимых устройств. Среди тематически близких компетенций – анализ временных рядов, классификация и разработка интеллектуальных информационных систем.

При частичной или полной перепечатке материала, а также цитировании необходимо ссылаться на пресс-службу КФУ.

Присоединяйтесь к каналу КФУ в MAX.