Про edge computing и простые алгоритмы
#HealthTech #ŌURA

💍 В Оуре на прошлой неделе было большое событие — мы выпустили уже четвертое по счету поколение кольца с новыми сенсорами, функциями и, конечно, моделями и алгоритмами.

Мне довелось поработать сразу над несколькими большими нововведениями: от Meals, где пользователи теперь могут трекать свои приемы пищи и анализировать регулярность питания, до Advisor — по моему скромному мнению крайне успешной интеграцией LLM в экосистему носимых устройств. Про эти проекты напишу в другой раз, когда они выйдут из нашей бета-программы ŌURA Labs в полноценный релиз.

А сейчас расскажу про самую значительную фичу, которой я занимался — Automatic Workout Heart Rate или AAD+HR.

💍 Сначала предыстория. Когда я начал работать в Оуре, мне больше всего понравилось, что кольцо, тогда еще второго поколения, крайне не требовательно к пользователю. Надел на палец, заряжаешь раз в неделю, и всё — данные пассивно собираются и обрабатываются. До этого я носил Apple Watch и меня очень напрягало, что нужно совершать очень много действий чтобы затрекать что-либо. Поэтому когда я разработал и запатентовал AAD (Automatic Activity Detection), который по данным акселерометра на кольце детектирует и классифицирует физическую активность, я старался создать самый незаметный и пассивный фитнес-трекер.

В результате получилась фича с каким-то фантастическим retention, просто потому, что пользователям не нужно постоянно жать на кнопки и все тренировки автоматически детектируются в течение дня.

💍 Спустя пару лет, другая команда выпустила Workout Heart Rate, чтобы измерять сердцебиение во время тренировок, используя новые сенсоры третьего поколения кольца. Но пользователям нужно было ручками зайти в приложение, выбрать вид спорта, подтвердить начало тренировки и потом еще не забыть его отключить. Из-за такого нетривиального количества действий (хотя это стандартный набор для Apple Watch), вовлечение и удержание оказалось в десятки раз меньше.

Уже тогда появилась идея объединить два продукта и сделать универсальный трекинг, который бы детектировал тренировку, классифицировал её, и еще бы сам включал и отключал измерение сердцебиения на кольце.

💍 Год назад до этого дошли руки и мы начали пилить прототип. Основная сложность заключалась в том, что если детектирование и распознавание активности может работать постфактум на телефоне или в облаке, когда данные из кольца синхронизируются с приложением, то для сердцебиения нужен алгоритм, который запускает и останавливает весь процесс прямо на кольце — тот самый edge computing.

Алгоритм должен уметь вовремя переключать LED-светодиоды на повышенную частоту семплирования, которая очень энергозатратна, и отключать её как только физическая активность прекращается. Получается задачка оптимизации — хотим запускать LED каждый раз, когда пользователи физически активны, но не включать их напрасно, чтобы не разряжать батарейку.

Перепробовав множество подходов, пришли к достаточно простому решению, чтобы влезть в ограничения по вычислительной мощности кольца. Finite State Machine отвечает за текущее состояние системы: покой, начало тренировки, активный сбор, остановка тренировки; а переходы между состояниями осуществляет натренированный Random Forest Classifier.

💍 Прелесть подхода в том, что весь ML после обучения вырождается в набор if-else условий, который легко затащить в Firmware кольца. Плюс легко настраивать чувствительность алгоритма, чтобы не жрал много батарейки, просто повышая или понижая probability threshold для предсказаний леса.

Итого получилось, что на кольце живет отдельная система, отвечающая за сбор данных в нужное время, а уже после синхронизации с телефоном подключаются тяжелые модельки для финальной обработки и предсказания активности.

Мораль истории — простые решения все еще работают 🥂

Началось 🎄