Proje

Kişisel temel çizgi üzerinden çalışan bir sağlık farkındalık asistanı

Sistem, kullanıcının hâlihazırda sahip olduğu giyilebilir cihazdan HealthKit veya Health Connect üzerinden okunan fizyolojik sinyalleri, popülasyon eşikleri yerine kullanıcının kendi geçmişinden öğrenilen normal aralığa göre yorumlar. Bir tıbbi teşhis aracı değil, klinik ortam gerektirmeyen bir karar destek ve farkındalık asistanıdır.

Akıllı saat ekranının yakın çekimi; üzerinde nabız ve aktivite verisi görünüyor.

Temel yaklaşım

Sistemin ayırt edici kavramı: kişisel normal

Ticari giyilebilir cihazlar ve üçüncü taraf uygulamalar, fizyolojik değerlendirmeyi popülasyon ortalamalarından türetilmiş genel eşikler üzerine kurar. Oysa dinlenik nabız ve HRV gibi göstergeler bireyler arasında son derece geniş bir aralıkta değişir. Genel eşiklere dayanan sistemler bu nedenle ya gereğinden sık yanlış alarm üretir ya da gerçek fizyolojik sapmaları gözden kaçırır.

Kişisel temel çizgi yaklaşımı bu sorunu, her kullanıcının kendi geçmiş verisinden öğrenilen normal aralığı referans alarak çözer. Sistem, kullanıcının ilk haftalarındaki verisinden 28 günlük kayan bir pencereyle kişisel normal aralığını öğrenir; en az 14 günlük veri biriktiğinde temel çizgi “hazır” sayılır. Bu çizgiden anlamlı ve sürekli sapmalar tespit edilir.

Bir kişinin kendi geçmiş verisinden öğrenilen kişisel normdan sapma, popülasyon normundan sapma kadar anlamlı — ve çoğu durumda çok daha bilgilendiricidir. Mevcut sistemlerin eksiği bir arayüz eksikliği değil, bir kavram eksikliğidir: modelde “kişisel normal” diye bir nesne yoktur.

Uyarı kuralı

|z| ≥ 2 ve ardışık ≥ 3 gün

Uyarı tek bir anormal okuma üzerine değil, birkaç gün süren kalıcı sapma üzerine verilir. Bu kural egzersiz ve akut stres gibi kısa süreli olayları doğal olarak filtreler; tek günlük bir sapma — yoğun bir antrenman ya da kötü geçen bir gece — hiçbir zaman uyarı doğurmaz.

Sistemin sınırı

Sistem hiçbir zaman belirli bir hastalığı isimlendirmez; yalnızca “vücudunuz olağandışı bir yük altında olabilir” anlamına gelen bir olabilirlik sinyali üretir. Her çıktı, gerektiğinde kullanıcıyı bir sağlık uzmanına yönlendiren bir sorumluluk reddiyle birlikte sunulur.

Bileşenler

Dört analitik bileşen, bir bağlam katmanı

Her yöntem seçimi ayrı bir gerekçeye dayanır. Denetimli modeller yalnızca halka açık veri setleri üzerinde çevrimdışı eğitilir; anomali tespiti ve uyku skoru eğitim gerektirmez.

Stres Sınıflandırma

XGBoost · denetimli

Ne yapar

Kalp atış hızı ve HRV'den çıkarılan zaman alanı özniteliklerinden anlık stres durumunu ikili olarak sınıflandırır; etiket ve [0,1] aralığında bir olasılık üretir.

Neden bu yöntem

XGBoost, öznitelik mühendisliğiyle hazırlanmış tablo verisinde güçlüdür, küçük veri setlerinde aşırı öğrenmeye karşı derin öğrenmeden daha dayanıklıdır ve eğitim/çıkarım maliyeti düşüktür.

Anomali ve Hastalık Olabilirliği Tespiti

z-skor · denetimsiz (RHR-Diff / HROS-AD: ileri aşama)

Ne yapar

Kişisel temel çizgiden çok günlük sapmaları istatistiksel olarak tespit eder. Uyarı yalnızca |z| ≥ 2 düzeyindeki bir sapma ardışık en az 3 gün sürdüğünde ve aktiviteyle açıklanamadığında üretilir.

Neden bu yöntem

Model eğitmek yerine istatistiğe dayanmak bilinçli bir tercihtir: “normal” her kullanıcının kendi geçmişinden öğrenildiği için dışarıdan etiketli hastalık verisine ihtiyaç duyulmaz.

Aktivite Tanıma

Random Forest · denetimli

Ne yapar

Dakika bazlı kalp atış hızı, adım, mesafe ve aktif kalori özniteliklerinden aktivite türünü ve yoğunluğunu sınıflandırır.

Neden bu yöntem

Yüksek nabzın egzersizden mi yoksa anlamlı bir temel çizgi sapmasından mı kaynaklandığını ayırt eder; anomali uyarılarına bağlam katarak yanlış alarmı azaltır.

Uyku Skoru

Kural tabanlı · açık formül

Ne yapar

Uyku verimliliği, toplam süre, gece uyanma sayısı ve varsa evre oranlarını ağırlıklandırarak 0–100 aralığında deterministik bir skor hesaplar.

Neden bu yöntem

Model eğitmek yerine açık formül kullanmak, ticari ürünlerin kapalı skorlarına karşı projenin şeffaflık farkını oluşturur: ağırlıklar belgelenir ve arayüzde görülebilir.

Regl Döngüsü Bağlamı

Bağlamsal sinyal · yalnızca açık onayla

Yalnızca açık onayla

Ne yapar

Kullanıcı açıkça izin verirse döngü fazı okunur ve o faz için beklenen HRV kayması sapma hesabından düşülür. LLM'e yalnızca 0–3 aralığında bir faz kodu iletilir.

Neden bu yöntem

Luteal fazda HRV'nin doğal olarak düşmesi beklenir. Bunu görmezden gelen uygulamalar kadın kullanıcılar için yapısal bir yanlış alarm kaynağı üretir.

Yapay zekâ modelleri

Model kartları

Her modelin algoritması, girdi öznitelikleri, eğitim ve doğrulama verisi, çıktı biçimi ve hedef metrikleri aşağıda ayrı ayrı verilmiştir. Hedef değerler kabul kriteridir — doğrulama ve nihai ölçümler BİL 496 döneminde yapılacaktır.

Model 1 · Stres Sınıflandırma

XGBoostDenetimli

Fizyolojik özniteliklerden anlık stres durumunu ikili olarak (stresli / stresli değil) sınıflandırır.

Öznitelikler: Ortalama kalp atış hızı · RMSSD · SDNN
Pencere: Yaklaşık 60 saniyelik kısa zaman pencereleri
Kaynak sinyal: Bilek verisi (BVP → HR / HRV)

Eğitim verisi

WESAD — 15 katılımcı, laboratuvar protokolü, etiketli stres. Yalnızca bilek (Empatica E4) verisi kullanılır; göğüs cihazı verisi ve EDA bilinçli olarak hariç tutulur, çünkü bu sinyaller gerçek kullanıcının cihazından elde edilemez. Bu, eğitim verisi ile çıkarım verisi arasındaki tutarlılığı korur.

Doğrulama

LifeSnaps — 71 katılımcı, 4 ay, gerçek yaşam koşulları. Etiket Fitbit'in kapalı algoritmasından geldiği için bu doğrulama “kesin doğruluk” değil, “referans/kıyas” olarak konumlandırılır; ana performans değerlendirmesi WESAD'ın etiketli verisiyle yapılır.

Yöntem gerekçesi

Ağaç tabanlı gradyan artırma yöntemi olarak, öznitelik mühendisliğiyle hazırlanmış tablo verisinde güçlü performans gösterir.
Küçük ve orta ölçekli veri setlerinde (WESAD 15 katılımcılı) aşırı öğrenmeye karşı derin öğrenmeden daha dayanıklıdır ve dahili düzenlileştirme içerir.
Eğitim ve çıkarım maliyeti düşüktür; sınırlı süre ve hesaplama kaynağıyla çalışan bir ekip için uygundur.

Çıktıİkili etiket + [0,1] aralığında olasılık

≥ %80 doğruluk
≥ 0,80 makro-F1
Kişi bazlı bölme

Model 2 · Anomali Tespiti

z-skor · RHR-Diff · HROS-ADDenetimsiz

Kişisel temel çizgiden çok günlük sapmaları istatistiksel olarak tespit eder; hiçbir hastalığı isimlendirmez, yalnızca olabilirlik sinyali üretir.

Metrikler: Dinlenik nabız · HRV · uyku verimliliği
Eşik: |z| ≥ 2, ardışık en az 3 gün
Bağlam: Aktivite ve (onay varsa) regl fazı

Eğitim verisi

Eğitim gerektirmez. Model eğitmek yerine istatistiğe dayanmak bilinçli bir tasarım kararıdır: “normal” her kullanıcının kendi geçmişinden öğrenildiği için dışarıdan etiketli hastalık verisine ihtiyaç duyulmaz. Bu, hem etiketli veri eksikliği sorununu ortadan kaldırır hem de gizliliği güçlendirir.

Doğrulama

LifeSnaps gerçek yaşam verisiyle yanlış alarm açısından kalibre edilir. Yöntemler hakemli literatürde belirti öncesi enfeksiyon tespitinde doğrulanmıştır (Mishra vd., 2020).

Yöntem gerekçesi

RHR-Diff, dinlenik nabzın 28 günlük kişisel ortalamadan sapmasını standartlaştırılmış kalıntılarla ölçer.
HROS-AD, kalp atış hızını adım sayısına oranlayarak aktivite etkisini normalize eder; “yüksek aktiviteyle yüksek nabız” ile “düşük aktiviteyle yüksek nabız” durumlarını ayırır.
Çok günlük süreklilik kuralı, egzersiz ve akut stres gibi kısa süreli olayları doğal olarak filtreler.

Çıktız-skoru · sapmanın sürdüğü gün sayısı · anomali bayrağı

≤ %10 yanlış pozitif
≥ %60 örtüşme
Sağlıklı günlerde kalibrasyon

Model 3 · Aktivite Tanıma

Random ForestDenetimli

Aktivite türünü ve yoğunluğunu sınıflandırır; anomali değerlendirmesine bağlam katarak yanlış alarmı azaltır.

Öznitelikler: Kalp atış hızı · adım · mesafe · aktif kalori
Çözünürlük: Dakika bazında
Sınıflar: Yatma · oturma · yürüme · koşma (+ yoğunluk)

Eğitim verisi

Apple Watch ve Fitbit cihazlarıyla toplanmış, etiketli, halka açık aktivite veri seti (Fuller vd., 2020). Dakika bazında nabız, adım, mesafe ve kalori içerir.

Doğrulama

Kişi bazlı bölme ile değerlendirilir. Adım verisi yoksa yalnızca nabız temelli kaba bir yoğunluk tahmini yapılır — sistem çökmez, azaltılmış modda çalışır.

Yöntem gerekçesi

İlgili literatürde dakika bazlı giyilebilir cihaz verisiyle (Apple Watch ve Fitbit) yapılan aktivite sınıflandırmasında en yüksek doğruluğu veren yöntemlerden biri olarak raporlanır.
Yorumlanabilir öznitelik önemi sağlar — hangi sinyalin kararı ne kadar etkilediği görülebilir.
Yüksek nabzın egzersizden mi yoksa anlamlı bir temel çizgi sapmasından mı kaynaklandığının ayırt edilmesini sağlar.

ÇıktıAktivite türü + yoğunluk düzeyi

≥ %80 doğruluk
Kişi bazlı bölme

Uyku Skoru

Kural tabanlı, açık formülKural tabanlı

Uyku kalitesini 0–100 aralığında deterministik bir skora dönüştürür.

Girdiler: Uyku verimliliği · toplam süre · uyanma sayısı
Opsiyonel: Derin / REM / hafif uyku evre oranları
Determinizm: Aynı girdi her zaman aynı skoru üretir

Eğitim verisi

Eğitim gerektirmez; çalışma zamanında hesaplanır. Bu nedenle çevrimdışı eğitim hattında yer almaz.

Doğrulama

Evre verisi yoksa skor kalan üç metrikten hesaplanır ve “kısmi” olarak işaretlenir. Bileşen ağırlıkları arayüzde veya dokümantasyonda görüntülenebilir.

Yöntem gerekçesi

Görev için güvenilir ve doğrudan uygulanabilir kural tabanlı hesaplama, ayrı bir denetimli model eğitmekten daha basit ve sağlamdır.
Açık formül, ticari ürünlerin (Fitbit, Oura) kapalı algoritmalarına karşı projenin temel farklılaşma noktalarından biri olan şeffaflığı güçlendirir.

Çıktı0–100 skor + bileşen dökümü

Deterministik
Ağırlıklar belgelenir

Öznitelik çıkarımı

Ham sinyalden model çıktısına

Denetimli modeller ham zaman serisiyle değil, ondan türetilen öznitelik vektörleriyle beslenir. Hangi sinyalin eğitime girip hangisinin dışarıda bırakıldığı, modelin gerçek dünyada çalışıp çalışmayacağını doğrudan belirler.

1
Ham sinyal
Bilek verisi — BVP'den türetilen kalp atış hızı ve atımlar arası aralıklar
2
Zaman penceresi
Yaklaşık 60 saniyelik kısa pencereler
3
Öznitelik vektörü
Ortalama HR · RMSSD · SDNN
4
XGBoost
Ağaç tabanlı gradyan artırma · çevrimdışı eğitilmiş
5
Çıktı
İkili etiket + [0,1] olasılık

Model 1'in öznitelik çıkarım hattı. Eğitimde WESAD'ın yalnızca bilek verisi kullanılır; göğüs cihazı ve EDA bilinçli olarak dışarıda bırakılır, çünkü bu sinyaller gerçek kullanıcının cihazından elde edilemez — böylece eğitim verisi ile çıkarım verisi aynı yapıda kalır.

Değerlendirme: kişi bazlı bölme

Kişiselleştirme iddiası taşıyan bir sistemde en kritik metodolojik karar, modelin nasıl değerlendirildiğidir. Bu projede tüm değerlendirmelerde kişi bazlı bölme kullanılır.

Rastgele bölme — yanıltıcı

AABBCCDDEE

Aynı kişi hem eğitimde hem testte. Model kişiyi ezberler, doğruluk olduğundan yüksek çıkar.

Kişi bazlı bölme — kullanılan

ABCDE

Her kişi yalnızca tek kümede. Model hiç görmediği bir kişide sınanır — gerçekçi performans.

eğitim kümesitest kümesi

Tüm değerlendirmelerde kişi bazlı bölme kullanılır. Kişiselleştirme iddiası taşıyan bir sistemde bu yöntem zorunludur: aynı kişinin verisi hem eğitimde hem testte bulunursa ölçülen doğruluk gerçek performansı değil, ezberi yansıtır.

LLM katmanı

Dil modeli yorumlar, karar vermez

Hazır bir dil modeli API'si yalnızca yorumlama katmanı olarak kullanılır. Model ince ayarına tabi tutulmaz; yalnızca yapılandırılmış istem tasarımıyla yönlendirilir ve teşhis koyma yetkisi yoktur.

API'ye giden

Stres etiketi ve olasılığı
Anomali z-skoru, süresi ve bayrağı
Aktivite türü ve yoğunluğu
Uyku skoru (0–100)
Regl faz kodu (0–3) — yalnızca açık onayla

Asla gitmeyen

Ham kalp atış hızı zaman serisi
HRV ölçümleri
Uyku kayıtları ve evre verisi
Adım, mesafe, kalori kayıtları
Ham üreme sağlığı verisi

1
Gönderim öncesi
Yükün ham sinyal içermediği denetlenir
AnonymizedPayload.containsRawSignal() === false
2
Dönüş sonrası
Metin, sabit yasaklı terim listesine karşı otomatik dize denetiminden geçirilir (grip, COVID-19, enfeksiyon vb.)
Narrative.containsDiagnosis() === false
3
Sunum öncesi
Teşhis içeren metin reddedilir ve kural tabanlı yedek metin gösterilir
reddet → yedek metin

LLM erişilemezse

LLM API'si 5 saniyelik zaman aşımı içinde yanıt vermezse bir kez yeniden denenir; bu da başarısız olursa yorumlama katmanı devre dışı bırakılır ve hiçbir ham veri yeniden gönderilmez. Sistem kural tabanlı bir yedek metne düşer: uyarının hangi metriklerden kaynaklandığını sayısal olarak listeler, sorumluluk reddi ve uzmana yönlendirmeyi gösterir. Uyarı kaybolmaz; yalnızca sunum biçimi değişir.

Dil modeli katmanı iki ayrı denetimle çevrilidir: gönderimden önce yükün ham sinyal içermediği, dönüşten sonra metnin teşhis içermediği denetlenir. Sınır çalışma zamanı kontrolüne bırakılmaz — LLMInterpreter yalnızca AnonymizedPayload tipini kabul eder, ham ölçüm tiplerine hiçbir erişimi yoktur.

Üretilmeyecek çıktı

“Gribiniz var.”

Hastalık adı içerdiği için yasaklı terim denetiminden geçemez; reddedilir ve yerine kural tabanlı yedek metin gösterilir.

Hedeflenen çıktı

“Dinlenme nabzınız son birkaç gündür kişisel ortalamanızın üzerinde, bu vücudunuzun bir şeyle uğraştığının işareti olabilir; kendinize dikkat edin ve belirtiler sürerse bir uzmana danışın.”

Teşhis koymaz, normalleştirici bir dil kullanır ve gerektiğinde uzmana yönlendirir.

Örnek çıktıların ≥ %90'ı, ekip değerlendirmesinde teşhis içermeyen ve normalleştirici dil kullanan yanıt olarak işaretlenmelidir.

Mimari

Birbirinden kesin biçimde ayrılmış iki çalışma hattı

Çevrimdışı eğitim hattı yalnızca halka açık veri setlerini kullanır ve bir kez çalıştırılır. Çalışma zamanı hattı ise bu eğitilmiş modelleri kullanarak gerçek kullanıcının cihazından gelen veriyi her gün işler. Bu ayrım, sistemin temel gizlilik garantisidir: kullanıcının kişisel verisi model eğitiminde asla kullanılmaz.

WESAD

15 kişi · laboratuvar · etiketli stres

LifeSnaps

71 kişi · 4 ay · gerçek yaşam

Aktivite veri seti

Apple Watch / Fitbit · etiketli

Model 1 · Stres

XGBoost — eğitim: WESAD, doğrulama: LifeSnaps

Model 2 · Anomali

İstatistiksel — eğitim yok, doğrulama: LifeSnaps

Model 3 · Aktivite

Random Forest — tür ve yoğunluk

Eğitilmiş modeller

Mobil uygulamaya gömülür · kullanıcı verisiyle asla yeniden eğitilmez

Şekil 1. Çevrimdışı eğitim hattı — yalnızca halka açık veri setleriyle, yalnızca bir kez çalıştırılır. Uyku skoru ve regl fazı bu hatta yer almaz; eğitim gerektirmeyip çalışma zamanında hesaplanırlar.

Giyilebilir cihaz

Apple Watch · Galaxy Watch · eşdeğeri

Mobil uygulama + kişisel temel çizgi

28 günlük kayan pencere · izin yönetimi · yerel saklama

Stres

XGBoost

Anomali

z-skor · RHR-Diff

Aktivite

Random Forest

Uyku skoru

kural tabanlı · 0–100

Regl fazı — opsiyonel bağlam

Yalnızca açık onayla · yanlış alarmı azaltır · LLM'e yalnızca 0–3 faz kodu

LLM yorumlama katmanı

Dört çıktı + faz kodu → tek sade paragraf · teşhis koyma yetkisi yoktur

Kullanıcı arayüzü

Stres · uyku skoru · aktivite · uyarı · trendler · sorumluluk reddi

Şekil 2. Çalışma zamanı mimarisi — dört analitik bileşen paralel çalışır. Bu paralellik, uçtan uca 5 saniyelik gecikme hedefinin karşılanma nedenidir.

Gizlilik

Sınır, politika olarak değil mimari olarak zorlanır

Sistem KVKK ve GDPR kapsamında özel nitelikli kişisel veri işler. Bu yükümlülük bir performans hedefi değil, ihlal edilemez bir sınırdır — ve bu nedenle çalışma zamanı denetimine bırakılmak yerine sınıf modeline gömülmüştür.

Cihazda kalır

Ham kalp atış hızı serisi
HRV (SDNN / RMSSD) ölçümleri
Uyku kayıtları ve evre verisi
Adım, mesafe, aktif kalori
Regl döngüsü kayıtları

AnonymizedPayload

tek geçiş noktası

containsRawSignal() her zaman false döndürmelidir

Yalnızca bunlar çıkar

Stres etiketi ve olasılığı
Anomali z-skoru ve süresi
Aktivite türü ve yoğunluğu
Uyku skoru (0–100)
Faz kodu (0–3) — yalnızca onayla

Gizlilik sınırı, bir çalışma zamanı denetimine bırakılmak yerine tip sistemiyle güvence altına alınır: LLMInterpreter yalnızca AnonymizedPayload tipini kabul eder, ham ölçüm tiplerine hiçbir erişimi yoktur.

AnonymizedPayload.containsRawSignal()

her zaman false döndürmelidir

Narrative.containsDiagnosis()

her zaman false döndürmelidir; aksi hâlde anlatı reddedilir ve kural tabanlı yedek metin kullanılır

MenstrualCycleContext.consentGiven

false iken bu nesne hiç oluşturulmaz; anomali tespiti düzeltmesiz çalışır

Sınıf modelinde tanımlanan üç değişmez (invariant).

Karar mantığı

Bir uyarının üretilmesi için dört kapının da geçilmesi gerekir

1Çekirdek sinyal yeterli mi?
hayırAzaltılmış modda çalış · temel çizgi güvenini bildir
2Temel çizgi hazır mı? (≥ 14 gün)
hayırAzaltılmış modda çalış · yalnızca tanımlayıcı özet
3|z| ≥ 2 ve ≥ 3 gün sürekli mi?
hayırYalnızca günlük özeti göster · uyarı yok
4Aktiviteyle açıklanabiliyor mu?
hayırAnomali bayrağı kalkar (flagged = true) · normalleştirici uyarı üretilir

Anomali tespitinin karar mantığı. Uyarı üretmek için dört kapının da geçilmesi gerekir; bu nedenle tek günlük bir sapma — yoğun bir antrenman ya da kötü geçen bir gece — hiçbir zaman uyarı doğurmaz.

Arayüz tasarımı

Altı ekranlık arayüz tasarımı

Aşağıdaki ekranlar Analiz Raporu'nda tanımlanan tasarımın taslaklarıdır; uygulama BİL 496 döneminde gerçeklenecektir. Tasarımın üç yönlendirici ilkesi var: hiçbir ekran teşhis dili kullanmaz; sistemin bilmediği de gösterilir (temel çizgi güven değeri ve azaltılmış mod durumu gizlenmez); hassas veri ayrı bir kategori olarak işaretlenir ve her zaman kapatılabilir.

Saat yüzeyi yalnızca özeti gösterir: kişisel aralıktaki konum, uyku skoru ve stres durumu. Ayrıntılı analiz ve sorumluluk reddi telefonda sunulur.

Günlük Özet

Salı, 14 Temmuz

Bugün vücudun dengede.

LLM yorumu

Dinlenik nabzın kişisel ortalamanın içinde. Uyku verimliliğin bu hafta biraz düşük — erken yatmayı dene.

Stres

Düşük

%12

Uyku skoru

/100 · −6

Dinlenik nabız

bpm · normal

Aktivite

Yürüme

42 dk

Temel çizgi güveni: %61 — HRV verisi seyrek · 9 gün daha gerekiyor

Bu bir tıbbi teşhis değildir. Belirtiler sürerse bir sağlık uzmanına danışın.

Ana ekran. Dört bileşenin çıktısı, LLM'in tek paragraflık yorumu ve temel çizgi güven değeri.

Uyarı Detayı

Olağandışı fizyolojik yük

Son 5 gündür dinlenik nabzın kişisel ortalamanın belirgin biçimde üzerinde. Bu, vücudunun bir şeyle uğraştığının işareti olabilir.

Sinyal nereden geliyor?

Dinlenik nabızz = +2,8 · 5 gün

HRV (SDNN)z = −2,1 · 4 gün

Uyku verimliliğiz = −1,4 · eşiğin altında

Aktivite bağlamıegzersiz açıklamıyor

Sistem hastalık adı vermez.

Belirtiler sürerse bir uzmana danışın.

Uyarıyı gördüm

Uyarıyı tetikleyen metrikler z-skorları ve süreleriyle listelenir; aktivite bağlamı ayrıca belirtilir.

Döngü Bağlamı

Luteal faz · 21. gün

Bu fazda HRV'nin doğal olarak düşmesi beklenir.

HRV düşüşü anomali sayılmadı

Ham sapma z = −2,3 → düzeltilmiş z = −0,9

Gizlilik

LLM'e yalnızca faz kodu (0–3) gönderilir. Ham üreme sağlığı verisi cihazdan çıkmaz.

Yalnızca açık onay verilmişse erişilebilir. Beklenen HRV kayması sapma hesabından düşülür.

Ayarlar ve Gizlilik

Veri ve gizlilik

Verilerin cihazında kalır

Kişisel veri yerelde tutulur

Model eğitimi

Verin modeli eğitmek için kullanılmaz

LLM'e giden veri

Yalnızca anonim sayısal çıktılar

İzinler

Kalp atış hızı

HRV (SDNN)

SpO₂ · solunum

Regl döngüsü

Tüm verilerimi sil

Her sinyal için ayrı izin. Hassas kategori görsel olarak ayrıştırılmış; veriler her an silinebilir.

Ekranları görmek için yana kaydırın →

Konumlandırma

Mevcut akademik çalışmalar ve ticari ürünlerle karşılaştırma

Mevcut akademik çalışmalar ya yüksek doğrulukta denetimli sınıflandırma sunarken kişisel temel çizgiyi ve LLM entegrasyonunu ihmal ediyor, ya da LLM kullanırken denetimsiz anomali tespitini atlıyor. Ticari ürünler ise kişisel temel çizgi mekanizmalarını kapalı algoritmalar arkasına saklıyor.

Mevcut akademik çalışmalar ve ticari ürünlerle karşılaştırma
Kaynak / Ürün	Kişisel temel çizgi	Denetimsiz anomali	LLM açıklama	iOS + Android	Döngü bağlamı	Şeffaf algoritma
Apple Health / Samsung HealthTicari	kısmi	yok	yok	yok	yok	yok
Bevel HealthTicari	var	yok	var	yok	yok	yok
WelltoryTicari	var	yok	var	var	yok	yok
Garmin / FirstbeatTicari	var	yok	yok	var	yok	yok
WHOOPTicari	var	yok	var, reaktif	var	yok	yok
Schmidt vd. (2018) — WESADAkademik	yok	yok	yok	uygulanmaz	yok	var
Li vd. (2024)Akademik	var	yok	yok	uygulanmaz	yok	var
Mishra vd. (2020)Akademik	var	var	yok	uygulanmaz	yok	var
Gabrielli vd. (2025)Akademik	var	var	var	uygulanmaz	yok	var
Cosentino vd. (2024) — PH-LLMAkademik	var	yok	var	uygulanmaz	yok	yok
Lin vd. (2026) — mcPHASESAkademik	var	yok	yok	uygulanmaz	var	var
Bu projeÖnerilen	var	var	var, proaktif	var	var	var

“—” işareti, akademik çalışmalar için platform desteğinin uygulanabilir bir ölçüt olmadığını belirtir.

Veri

Yalnızca halka açık, lisanslı veri setleri

Modeller yalnızca bir kez, aşağıdaki açık erişimli veri setleri üzerinde çevrimdışı eğitilir. Kullanıcının kişisel verisi modeli yeniden eğitmek için asla kullanılmaz.

Ekranında veri grafikleri bulunan bir bilgisayarda çalışan bir kişi.

WESAD

15 katılımcı · laboratuvar protokolü · etiketli stres

Model 1 eğitimi

Schmidt vd., 2018

LifeSnaps

71 katılımcı · 4 ay · gerçek yaşam · Fitbit Sense

Model 1 ve Model 2 doğrulaması

Yfantidou vd., 2022

Apple Watch / Fitbit Aktivite Veri Seti

Dakika bazında nabız, adım, mesafe, kalori · etiketli aktivite

Model 3 eğitimi

Fuller vd., 2020

Kapsam

Sistemin ne olmadığı, ne olduğu kadar önemlidir

Kabul kriterleri

28gün
Kişisel temel çizgi penceresi: ≥ %80
Stres ve aktivite doğruluğu: ≤ 5sn
Uçtan uca gecikme: 0
Üçüncü tarafa giden ham sinyal

Bu değerler ilgili literatürdeki benzer çalışmaların raporladığı performans aralıkları esas alınarak belirlenmiştir. Nihai doğrulama ve ölçümler BİL 496 döneminde yapılacaktır.

Kapsam dışı

Belirli bir hastalığın (grip, COVID-19 vb.) isimlendirilmesi veya teşhis edilmesi
EDA (elektrodermal aktivite) tabanlı stres ölçümü — Apple Watch'ta donanım yok, HealthKit ve Health Connect'te standart veri tipi değil
Ham ECG/EMG analizi, aritmi tespiti, kan basıncı ve kan şekeri gibi tıbbi ölçümler
Klinik düzeyde uyku bozukluğu (uykusuzluk, uyku apnesi) teşhisi
Kendi giyilebilir donanımının üretimi
Çoklu platform desteği — ilk sürüm (MVP) tek platformda çalışır
Kullanıcı verisiyle modelin yeniden eğitilmesi
Ham sinyal üzerinde LSTM ve autoencoder gibi derin öğrenme yöntemleri — ilk sürüm kapsamı dışı, zaman elverirse ileri aşama

Bu bir tıbbi teşhis aracı değildir. Sistem hiçbir hastalığı isimlendirmez ve klinik kararın yerine geçmez. Belirtileriniz sürüyorsa bir sağlık uzmanına danışın.

Standartlar

Uyulan standartlar ve planlanan kanıt kaynakları

Her standart için uygulanabilir madde ve o maddenin nasıl doğrulanacağı ayrı ayrı belirlenmiştir. Standart seçimi gelişigüzel değildir: sistem tıbbi cihaz olmadığı için IEC 82304-1 uygulanırken IEC 62304 bilinçli olarak uygulanmaz.

KVKK 6698
Özel nitelikli kişisel veri, açık rıza, veri güvenliği ve minimizasyon.
GDPR (AB 2016/679)
Md. 9 özel kategori, Md. 25 tasarımdan veri koruma, Md. 17 silme hakkı.
ISO/IEC 25010:2011
Ürün kalite modeli; NFR kümesiyle doğrudan eşlenir.
IEC 82304-1:2016
Sağlık yazılımı ürün güvenliği. Sistem tıbbi cihaz olmadığından IEC 62304 uygulanmaz.
ISO/IEC/IEEE 29148:2018
Gereksinimlerin doğrulanabilir, tekil ve izlenebilir yazımı.
ACM/IEEE Etik İlkeleri
Kamu yararı, ürün kalitesi ve mesleki yetkinlik ilkeleri.
WCAG 2.1 (AA)
Renk kontrastı ve metin ölçeklenebilirliği; renk-kodlu uyarıların erişilebilirliği.
HealthKit / Health Connect
Veri türü bazında yetkilendirme ve platform veri sözleşmeleri.
APA 7
Metin içi atıf ve kaynakça biçimi; birincil kaynaktan doğrulama.

Takvim

Dönem çıktıları

Tamamlandı.
21 Haz 2026
Proje Önerisi
Tamamlandı.
28 Haz 2026
Spesifikasyon Raporu
Tamamlandı.
12 Tem 2026
Analiz Raporu
Tamamlandı.
31 Tem 2026
PKE-Plan
Tamamlandı.
6 Ağu 2026
Proje Sitesi
Planlanıyor.
6 Ağu 2026
Yüksek Seviye Tasarım Raporu
Planlanıyor.
BİL 496
Uygulama, eğitim, doğrulama ve demo