ניתוח איכות שינה מבוסס בינה מלאכותית לאפליקציות מובייל

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 достаточно для сна
        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 הרץ הוא איזון בין דיוק לצריכת סוללה. שינה אינה דורשת מד תאוצה של 100 הרץ. מצב רקע עבור CMMotionManager דורש 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 достаточно для сна 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 )) } } } ב-Info.plist — אך iOS מסיים משימות רקע באגרסיביות. בצורה אמינה יותר: UIBackgroundModes: motion לעיבוד נתונים לילי עם הקלטות חלקיות.

נתוני דופק אוקסימטריה דרך BGProcessingTask. Apple Watch Series 6+ מתעד SpO2 כל 1-2 שעות בלילה ברקע. ירידה מתחת ל-90% מצביעה על דום נשימה בשינה. עם זאת, Apple אינה מתעדת SpO2 לילי ברציפות (מסיבות סוללה), ולכן יש לבצע אינטרפולציה של נתונים לסירוגין בזהירות. בפרויקט אחד, השתמשנו באינטרפולציה קובית תוך התחשבות בזמני התעוררות. מחקר The Sleep Heart Health Study מאשר את היעילות של גישה זו עם מספר מספיק של נקודות.

כמה מדויק הסיווג?

המשימה היא 4 מחלקות: Wake, Light NREM, Deep NREM (N3), REM. התקן הקליני הוא פוליסומנוגרפיה (PSG) עם EEG. מד תאוצה וקצב לב מספיקים להפרדת Wake/Sleep בדיוק של ~85%; סיווג ארבע-שלבי מלא מניב הסכמה של 60–75% עם PSG. האלגוריתם שלנו מהיר פי 2 מיישומי LSTM טיפוסיים במכשירים ניידים תוך שמירה על אותו דיוק.

הנדסת תכונות ממד תאוצה לשלבי שינה

מהאות הגולמי של 25 הרץ על פני תקופות של 30 שניות, אנו מחשבים:

• ספירת פעילות — סכום השינויים המוחלטים בווקטור התאוצה (אלגוריתם Cole-Kripke)
• ZCR (Zero Crossing Rate) — תדירות חציות האפס, מתאם עם פעילות מוטורית עדינה
• ENMO (Euclidean Norm Minus One) — תקן באקטיגרפיה, HKQuantityType(.oxygenSaturation), מסיר כוח משיכה
• זווית ציר z — זווית פרק כף היד, אופיינית לתנוחות שינה שונות

מקצב הלב (אם זמין), אנו מוסיפים:

• קצב לב במנוחה לעומת קצב לב נוכחי (דלתא)
• HRV (RMSSD ממרווחי RR) — ב-REM ה-HRV גבוה יותר מאשר בשינה עמוקה

מודל: Random Forest ו-LSTM לסיווג שינה

Random Forest על תכונות אלה מספק קו בסיס סביר. עבור הקשר זמני — LSTM על גבי תכונות RF: RF מפיק וקטור תכונות לכל תקופה של 30 שניות, LSTM מתחשב ברצף התקופות. דפוס זה מגיע ממחקר Stanford Sleep Lab.

# Feature extraction для одной эпохи (30 сек, 750 семплов 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)))
    }

הבטחת דיוק סיווג לאפליקציית שינה מבוססת AI

הדיוק תלוי באיכות נתוני הקלט ובחירת המודל. אנו מבצעים אימות צולב על מערכי נתונים מתויגים כמו Sleep-EDF או קנייניים. בנוסף, אנו משתמשים באנסמבל של מודלים וכיול הסתברויות. המלצות שינה מותאמות אישית נוצרות על סמך דפוסים שזוהו: לדוגמה, כאשר חלק ה-N3 יורד מתחת ל-10%, ניתנת הצעה להגדיל את זמן השינה. אנו מבטיחים דיוק מינימלי של 70% בסיווג ארבע-שלבי כאשר המודל מאומן על הנתונים שלך, ומאומת מול פוליסומנוגרפיה.

תוצרי יישום: מצינור נתונים להיפנוגרמה

תוצרים

• תיעוד על המודל (ארכיטקטורה, נתוני אימון, ביצועים)
• קוד אינטגרציה (Swift/Kotlin) עם בדיקות יחידה
• גישה למאגר (GitHub)
• מפגש הדרכה לצוות (שעתיים)
• תמיכה לאחר פריסה (חודש)

עם ניסיון של למעלה מ-5 שנים ו-10+ פרויקטים מוצלחים של ניתוח שינה, אנו מביאים מומחיות מוכחת ב-AI למובייל. מפתחי Core ML המוסמכים שלנו מבטיחים אינטגרציה חלקה ועמידה בהנחיות App Store.

פרטי צינור נתונים: הצינור כולל הקלטת נתונים (CMMotionManager), עיבוד מקדים (סינון, אינטרפולציה), חילוץ תכונות, הסקת מודל ועיבוד לאחר (החלקת היפנוגרמה). כל המודולים מכוסים בבדיקות יחידה.

פירוש תוצאות שינה: היפנוגרמה והמלצות

היפנוגרמה (גרף שלבי שינה לאורך זמן) היא שיטת התצוגה הסטנדרטית. בנוסף: ציון שינה כמדד מצטבר, פירוט זמן בכל שלב, דפוסים שזוהו (תחילת שינה מאוחרת, התעוררויות תכופות).

ההמלצות מקושרות לדפוסים ספציפיים: "חלק ה-N3 (שינה עמוקה) ירד מ-18% ל-9% במהלך 5 הלילות האחרונים" בתוספת טיפ קונקרטי, לא רק "שפר את איכות השינה." למהנדסים שלנו יש ניסיון עם HealthKit ו-Core ML למעלה מ-5 שנים, מה שמבטיח טיפול נכון במשימות רקע ועמידה בהנחיות App Store Review.

תהליך העבודה שלנו לאינטגרציית ניתוח שינה מבוסס AI

1. אנליטיקה: בחירת מקורות נתונים (HealthKit לעומת מד תאוצה גולמי), הערכת דיוק.
2. עיצוב: צינור עיבוד נתונים לילי, ארכיטקטורת ML.
3. יישום: הנדסת תכונות, אימון מודל, המרה.
4. בדיקה: על נתונים אמיתיים ממכשירים לבישים, בדיקות A/B.
5. פריסה: אינטגרציה לאפליקציה, ניטור.

צור קשר לייעוץ — נבחן את הפרויקט. הזמן ביקורת מקדימה של האפליקציה שלך כדי להעריך את האפשרות לשילוב ניתוח שינה מבוסס AI.