Поддомен: AI/ML (обработка временных рядов носимых устройств). Роль: Data/ML-инженер.
Apple Watch Series 11 впервые за год ушла на распродажу за $299 — об этом пишет ZDNET в обзоре от 25 марта 2026 года. Для выпускника ИТ-специальности это не новость про скидки, а сигнал: носимый датчик с оптическим пульсометром, акселерометром, гироскопом и одноканальной ЭКГ перешёл в массовый ценовой сегмент. Значит, поток физиологических временных рядов перестал быть экзотикой и стал обычной входной данных для ML-конвейера. Именно на таком материале получаются защищаемые ВКР: задача формулируется строго, метрики считаются честно, а результат воспроизводим. Ниже — как превратить обзор гаджета в главы 1–3 и не провалиться на вопросах комиссии.
Публичные корпуса закрывают почти любую формулировку: UCI HAR и WISDM (акселерометр, классификация активности), WESAD (стресс, ЭКГ+ЭДА), PhysioNet (в том числе база по фибрилляции предсердий), Apple Heart and Movement Study (агрегированная статистика), датасеты Kaggle по Fitbit. Если пишете под своё устройство — выгружайте HealthKit-экспорт в XML/JSON, обезличивайте и фиксируйте протокол сбора: частота дискретизации, положение часов, длительность записи. Комиссия почти всегда спрашивает про репрезентативность — заранее подготовьте слайд с описанием выборки.
Да, но только при информированном согласии и обезличивании. Для российских вузов ориентируйтесь на 152-ФЗ: персональные данные не должны покидать контур, а идентификаторы участников заменяются псевдонимами. Если работа идёт в международной рамке — GDPR и одобрение локального этического комитета. Биометрия (ЭКГ, PPG) чувствительнее обычных логов, поэтому в приложение к ВКР добавляйте форму согласия и описание процедуры удаления данных.
Python + pandas/NumPy для препроцессинга, scikit-learn как baseline, PyTorch или TensorFlow для нейросетевых моделей, MLflow для версионирования экспериментов. Для мобильного инференса — Core ML (нативно для watchOS) или TensorFlow Lite с квантизацией. Хранение временных рядов удобно вести в TimescaleDB или InfluxDB. Единый пайплайн оформляйте через sklearn Pipeline, чтобы препроцессинг не «утекал» в тестовую выборку.
Двумя слоями. Первый — качество модели: F1 и recall по целевому классу (для медицинских задач recall важнее accuracy), AUROC и AUPRC на несбалансированных классах, MAE/RMSE для регрессии HRV или длительности сна. Второй — инженерные метрики: задержка инференса на устройстве, объём модели, расход батареи за час работы, стоимость облачной обработки месяца данных. Именно второй слой отличает ВКР от курсовой по машинному обучению.
Стадии создания системы — по ГОСТ 34.601-90, схемы алгоритмов — по ГОСТ 19.701-90, отчётная часть — по ГОСТ 7.32-2017 и СТО вашего вуза. Архитектуру рисуйте в C4 (контекст и контейнеры), сценарии взаимодействия — в UML sequence, процессы сбора данных — в BPMN. Качество продукта описывайте через ISO/IEC 25010: функциональная полнота, производительность, надёжность, защищённость, удобство использования.
Актуальность. Удешевление Series 11 до $299 расширяет аудиторию носимых устройств, а значит растёт объём сырых данных о движении, которые нужно автоматически размечать.
Цель: построить модель, различающую ходьбу, бег, велосипед и состояние покоя с F1 ≥ 0,9 на кросс-субъектной валидации.
Задачи: сформировать корпус и разметку; реализовать оконный препроцессинг и признаки; сравнить логистическую регрессию, Random Forest и 1D-CNN; измерить задержку и энергопотребление инференса на устройстве.
Структура: Глава 1 — обзор сенсоров и существующих решений; Глава 2 — архитектура конвейера и обучение моделей; Глава 3 — эксперименты, метрики, внедрение через Core ML.
Актуальность. В обзоре прямо звучит мотивация «успеть к фитнес-целям 2026 года» — планирование нагрузки по объективным показателям становится массовым сценарием, а не уделом профессиональных спортсменов.
Цель: предсказывать индекс восстановления на следующий день по ночным RR-интервалам и стадиям сна.
Задачи: рассчитать временные и частотные признаки HRV; собрать признаки сна; обучить регрессию с регуляризацией и градиентный бустинг; оценить MAE и стабильность модели по субъектам.
Структура: Глава 1 — физиология HRV и метрики; Глава 2 — проектирование пайплайна и признакового пространства; Глава 3 — валидация, анализ ошибок, ограничения метода.
Актуальность. Одноканальная ЭКГ в потребительских часах сделала скрининг доступным, но цена ошибки высока: ложноположительные срабатывания перегружают врача, ложноотрицательные — опасны.
Цель: добиться recall ≥ 0,95 при специфичности ≥ 0,9 и обосновать порог срабатывания.
Задачи: отфильтровать артефакты и дрейф изолинии; сегментировать кардиоциклы; обучить модель и подобрать порог по PR-кривой; проанализировать распределение ошибок по возрастам и полу.
Структура: Глава 1 — клинический контекст и обзор датасетов; Глава 2 — архитектура обработки сигнала; Глава 3 — метрики, пороговая политика, требования к защите данных.
Актуальность. Устройства дешевеют, число источников растёт, и узкое место смещается с аналитики на инфраструктуру приёма и хранения потоков.
Цель: спроектировать сервис, принимающий потоки с часов и отдающий агрегаты аналитическому модулю.
Задачи: описать контракты API; настроить брокер сообщений и хранилище временных рядов; реализовать трассировку через OpenTelemetry; проверить поведение под нагрузкой.
Структура: Глава 1 — анализ потоковых архитектур; Глава 2 — проектирование по C4 и реализация; Глава 3 — нагрузочное тестирование и оценка стоимости.
Не пересказывайте обзор, используйте его как экономическое обоснование. Факт «Series 11 впервые в году продаётся за $299» ложится в подраздел о доступности носимых датчиков: чем ниже порог входа, тем шире выборка и тем выше практическая ценность автоматической обработки. Дальше — таблица сенсоров: оптический пульсометр (PPG), трёхосный акселерометр, гироскоп, барометр, датчик температуры кожи, одноканальная ЭКГ. Для каждого — частота дискретизации, типичный шум, сценарий применения в вашей задаче. Завершайте главу требованиями к системе по ISO/IEC 25010 и перечнем стадий по ГОСТ 34.601-90 — это снимает половину вопросов нормоконтроля заранее.
Опишите поток данных сверху вниз: Apple Watch → HealthKit → мобильный шлюз → брокер → хранилище временных рядов → слой признаков → модель → инференс на устройстве. Нарисуйте контекстную и контейнерную диаграммы C4, добавьте UML sequence для сценария синхронизации и BPMN для ночной обработки. Ниже — рабочий фрагмент извлечения признаков скользящим окном; он же пойдёт в приложение к ВКР как листинг.
import numpy as np
import pandas as pd
def window_features(df, fs=50, win_s=10, step_s=5):
"""df: t (datetime), ax, ay, az, gx, gy, gz, rr (мс).
Возвращает таблицу оконных признаков без утечки через границы окон."""
df = df.set_index("t").sort_index()
win, step = win_s * fs, step_s * fs
rows = []
for start in range(0, len(df) - win, step):
w = df.iloc[start:start + win]
acc_mag = np.sqrt(w.ax**2 + w.ay**2 + w.az**2)
gyro_mag = np.sqrt(w.gx**2 + w.gy**2 + w.gz**2)
rr = w.rr.dropna().values
rows.append({
"t_start": w.index[0],
"acc_mean": acc_mag.mean(),
"acc_std": acc_mag.std(),
"acc_p95": np.percentile(acc_mag, 95),
"gyro_std": gyro_mag.std(),
"hr_mean": 60000.0 / np.mean(rr) if rr.size else np.nan,
"rmssd": np.sqrt(np.mean(np.diff(rr) ** 2)) if rr.size > 1 else np.nan,
})
return pd.DataFrame(rows)Разделение выборки — только по субъектам (leave-one-subject-out) либо по времени. Случайный shuffle по окнам даст красивые метрики и гарантированный провал на защите: соседние окна одного и того же сигнала почти идентичны, это классическая утечка данных.
Сравнивайте не «модель против модели», а конфигурации с разным бюджетом. Baseline — логистическая регрессия на признаках, затем Random Forest, затем компактная 1D-CNN. Для каждой конфигурации фиксируйте: F1 и recall по целевому классу, AUROC, размер модели, медиану задержки инференса на устройстве, прирост расхода батареи за час работы. Сведите результаты в таблицу — она становится ядром третьей главы и доклада.
| Модель | F1 (macro) | Recall целевого класса | Задержка, мс | Размер, МБ | Комментарий |
|---|---|---|---|---|---|
| Логистическая регрессия + признаки | 0,84 | 0,79 | 2 | < 0,1 | быстрый baseline, объяснимые веса |
| Random Forest (200 деревьев) | 0,90 | 0,88 | 11 | 4,2 | хорошее соотношение цена/качество |
| 1D-CNN + квантизация INT8 | 0,94 | 0,93 | 26 | 0,9 | требует Core ML / TFLite |
| 1D-CNN без квантизации | 0,95 | 0,94 | 78 | 3,6 | не влезает в энергобюджет часов |
Отдельный подраздел — наблюдаемость. Телеметрия инференса (время обработки окна, доля отброшенных записей, число срабатываний) собирается через OpenTelemetry и выводится на дашборд. Это добавляет к работе инженерный слой, который отличает сильную ВКР от «ноутбука с моделью». Безопасность контура опишите по OWASP MASVS: хранение токенов, шифрование выгрузок, минимальные права мобильного приложения, защита API от перебора.
1. Датасет из одного человека. Собирают данные с собственных часов, делят случайно и получают F1 около 0,98. На защите первый же вопрос — «а как модель поведёт себя на другом пользователе?» — обнуляет результат. Лечится либо публичным корпусом, либо 10–15 участниками и кросс-субъектной валидацией. Помните: удешевление Series 11 до $299 как раз и означает, что собрать разнородную выборку реально.
2. Утечка данных через препроцессинг. Нормализацию и отбор признаков делают до разделения на train/test — статистики теста «просачиваются» в обучение. Собирайте всё в sklearn Pipeline и вызывайте fit только на обучающей части, а scaler — внутри фолда кросс-валидации.
3. Игнорирование ограничений устройства. Модель с отличными метриками не помещается в память часов или съедает батарею за три часа. Раз в работе есть носимый датчик, задержка и энергопотребление — такие же обязательные метрики, как F1. Планируйте квантизацию и профилирование заранее, а не в последнюю неделю.
Если тема только формируется, начните с бесплатной консультации: разберём формулировку, подберём датасет и оценим, хватит ли 120 часов на реализацию и оформление. Мы помогаем с любой темой — от аналитики временных рядов до инфраструктурных проектов, — но решение и расчёты остаются вашими: именно их и спрашивают на защите.
Источник: I've tested every Apple Watch model - my top pick is on sale for $299 (опубликовано 2026-03-25)