The object of research, development or design (in Russian) : Сон и нарушения сна, интеллектуальные системы мониторинга и диагностики, глубокое обучение и генеративные модели глубокого обучения, а также технологии Интернета вещей (IoT) и Интернета медицинских вещей (IoMT).

The object of research, development or design (in Kazakh) : Ұйқы және ұйқы бұзылыстары, интеллектуалды бақылау және диагностикалық жүйелер, терең оқыту және генеративті терең оқыту модельдері, сондай-ақ заттар интернеті (IoT) және медициналық заттар интернеті (IoMT) технологиялары.

Aim of work (in Russian) : Целью проекта является разработка интеллектуальной системы мониторинга, диагностики и анализа сна и нарушений сна с использованием моделей глубокого и генеративного глубокого обучения, интегрированных с технологиями Интернета вещей (IoT) и Интернета медицинских вещей (IoMT).

Aim of work (in Kazakh) : Жобаның мақсаты – ұйқыны және ұйқы бұзылыстарын мониторингілеу, диагностикалау және талдау үшін Заттар интернеті (IoT) мен медициналық заттар интернеті (IoMT) технологияларымен интеграцияланған терең оқыту және генеративті терең оқыту модельдеріне негізделген интеллектуалдық жүйе әзірлеу.

Методы исследования (на русском) : Проектирование архитектуры интеллектуальной системы мониторинга; методы сбора и анализа данных с сети IoT-сенсоров (для HRV, SpO2, ЭЭГ, актиграфии, частоты дыхания и температуры тела); методы беспроводной передачи данных (Bluetooth, Wi-Fi) на облачную платформу; разработка и обучение моделей Graph Attention Network (GAT) и Denoising Diffusion Probabilistic Models (DDPMs); методы представления физиологических сигналов в виде графов; методы машинного обучения, включая перекрестную проверку, для выявления корреляций между мультимодальными сигналами.

Методы исследования (на казахском) : Интеллектуалды мониторинг жүйесінің архитектурасын жобалау; IoT-сенсорлар желісінен деректерді жинау және талдау әдістері (HRV, SpO2, ЭЭГ, актиграфия, тыныс алу жиілігі және дене температурасы үшін); деректерді бұлттық платформаға сымсыз тасымалдау әдістері (Bluetooth, Wi-Fi); Graph Attention Network (GAT) және Denoising Diffusion Probabilistic Models (DDPMs) үлгілерін әзірлеу және оқыту; физиологиялық сигналдарды графтар түрінде ұсыну әдістері; мультимодальды сигналдар арасындағы корреляцияны анықтау үшін машиналық оқыту әдістері, соның ішінде кросс-тексеру.

Obtained results and novelty (in Russian) : Спроектирована архитектура интеллектуальной системы для непрерывного сбора и мониторинга данных о показателях сна (включая HRV, SpO2, ЭЭГ, актиграфию, дыхание и температуру) с использованием IoT-устройств и их беспроводной передачи на облачную платформу. Проведен анализ по оптимальному размещению сенсоров для сбора данных. Разработана гибридная модель машинного обучения на основе Graph Attention Network (GAT) и Denoising Diffusion Probabilistic Models (DDPMs) для изучения и выявления сложных мультимодальных взаимосвязей между физиологическими сигналами, полученными с IoT-устройств. Научная новизна заключается в применении комбинации GAT и DDPMs для анализа физиологических сигналов сна. В то время как традиционные решения основываются на линейных корреляциях , предложенная комбинация позволяет более точно отображать нелинейные взаимосвязи между различными сигналами (например, ВСР, ЭЭГ и SpO2) , эффективно снижать шум в необработанных данных (DDPMs), улучшая качество извлечения признаков , и динамически фокусироваться на наиболее значимых взаимосвязях в данных (GAT). Это повышает способность модели выявлять тонкие многомерные закономерности, указывающие на нарушения сна.

Obtained results and novelty (in Kazakh) : IoT-құрылғыларын пайдалана отырып және деректерді бұлттық платформаға сымсыз тасымалдау арқылы ұйқы көрсеткіштері (соның ішінде HRV, SpO2, ЭЭГ, актиграфия, тыныс алу және температура) туралы деректерді үздіксіз жинауға және мониторингілеуге арналған интеллектуалды жүйенің архитектурасы жобаланды. Деректерді жинау үшін сенсорларды оңтайлы орналастыру бойынша талдау жүргізілді. IoT-құрылғыларынан алынған физиологиялық сигналдар арасындағы күрделі мультимодальды өзара байланыстарды зерттеу және анықтау үшін Graph Attention Network (GAT) және Denoising Diffusion Probabilistic Models (DDPMs) негізіндегі машиналық оқытудың гибридті үлгісі әзірленді. Ғылыми жаңалық ұйқының физиологиялық сигналдарын талдау үшін GAT және DDPMs комбинациясын қолдану болып табылады . Дәстүрлі шешімдер сызықтық корреляцияға негізделсе , ұсынылған комбинация әртүрлі сигналдар (мысалы, ЖСВ, ЭЭГ және SpO2) арасындағы сызықтық емес өзара байланыстарды дәлірек көрсетуге , шикі деректердегі шуды тиімді азайтуға (DDPMs) , осылайша белгілерді шығару сапасын жақсартуға, және деректердегі ең маңызды өзара байланыстарға динамикалық түрде назар аударуға (GAT) мүмкіндік береді. Бұл үлгінің ұйқының бұзылуын көрсететін нәзік көпөлшемді заңдылықтарды анықтау қабілетін арттырады.

The main constructive and technical economic indicators (in Russian) : С точки зрения технико-экономических показателей, разработанная в 2025 году архитектура системы (Задача 1) и гибридные модели машинного обучения (Задача 3) обеспечивают ключевые технические преимущества. Применение моделей GAT (Graph Attention Network) и DDPMs (Denoising Diffusion Probabilistic Models) значительно повышает техническую точность анализа и прогнозирования физиологических сигналов, позволяя выявлять сложные нелинейные корреляции (например, между ВСР, ЭЭГ и SpO2), которые упускают традиционные методы. Использование DDPMs для эффективного шумоподавления в данных с сенсоров повышает качество и достоверность входных данных, что критически важно для последующей диагностики. Спроектированная IoT-инфраструктура (Задача 1) обеспечивает высокую масштабируемость системы для непрерывного и удаленного мониторинга, а также закладывает основу для снижения задержек при анализе данных в режиме реального времени. Повышение точности диагностики за счет этих моделей напрямую способствует экономической эффективности проекта, что в перспективе приведет к снижению нагрузки на систему здравоохранения и потенциальному снижению затрат на дорогостоящие диагностические процедуры.

The main constructive and technical economic indicators (in Kazakh) : Техникалық-экономикалық көрсеткіштер тұрғысынан, 2025 жылы әзірленген жүйе архитектурасы (1-тапсырма) және машиналық оқытудың гибридті үлгілері (3-тапсырма) негізгі техникалық артықшылықтарды қамтамасыз етеді. GAT (Graph Attention Network) және DDPMs (Denoising Diffusion Probabilistic Models) үлгілерін қолдану физиологиялық сигналдарды талдау мен болжаудың техникалық дәлдігін айтарлықтай арттырады, бұл дәстүрлі әдістер жіберіп алатын күрделі сызықтық емес корреляцияларды (мысалы, ЖСВ, ЭЭГ және SpO2 арасында) анықтауға мүмкіндік береді . Сенсорлардан алынған деректердегі шуды тиімді басу үшін DDPMs пайдалану кіріс деректерінің сапасы мен сенімділігін арттырады, бұл кейінгі диагностика үшін өте маңызды. Жобаланған IoT-инфрақұрылымы (1-міндет) үздіксіз және қашықтан мониторинг жүргізу үшін жүйенің жоғары масштабталуын қамтамасыз етеді, сондай-ақ нақты уақыт режимінде деректерді талдау кезінде кешігулерді азайту үшін негіз қалайды. Осы үлгілер есебінен диагностика дәлдігін арттыру жобаның экономикалық тиімділігіне тікелей ықпал етеді, бұл болашақта денсаулық сақтау жүйесіне түсетін жүктемені азайтуға және қымбат диагностикалық процедураларға кететін шығындарды әлеуетті түрде төмендетуге әкеледі.

Level of implementation (in Russian) : Начальная стадия / Этап прикладных исследований. Завершено проектирование архитектуры интеллектуальной системы мониторинга и разработаны базовые модели машинного обучения (GAT и DDPMs) для анализа корреляций физиологических сигналов. Проведен анализ по оптимальному размещению сенсоров

Level of implementation (in Kazakh) : Бастапқы кезең / Қолданбалы зерттеулер кезеңі. Интеллектуалды мониторинг жүйесінің архитектурасын жобалау аяқталды және физиологиялық сигналдардың корреляциясын талдау үшін машиналық оқытудың базалық үлгілері (GAT және DDPMs) әзірленді. Сенсорларды оңтайлы орналастыру бойынша талдау жүргізілді.

Efficiency (in Russian) : Эффективность полученных в 2025 году результатов заключается в разработке высокоточной гибридной модели машинного обучения (GAT и DDPMs), которая позволяет анализировать сложные, нелинейные взаимосвязи между мультимодальными физиологическими сигналами (такими как ВСР, ЭЭГ и SpO2) . Это повышает способность модели выявлять тонкие многомерные закономерности, указывающие на нарушения сна, что недоступно традиционным методам, основанным на линейных корреляциях . Использование DDPMs для эффективного шумоподавления в данных с сенсоров обеспечивает высокую достоверность и качество входных данных, что критически важно для точности последующей диагностики. Спроектированная архитектура IoT-системы обеспечивает основу для масштабируемого и эффективного сбора данных в режиме реального времени . Экономическая эффективность достигается за счет создания фундамента для более точной и доступной диагностики. Повышение точности выявления нарушений сна на раннем этапе (что является целью проекта) в будущем позволит снизить нагрузку на систему здравоохранения и уменьшить затраты на дорогостоящие клинические исследования.

Efficiency (in Kazakh) : 2025 жылы алынған нәтижелердің тиімділігі жоғары дәлдіктегі гибридті машиналық оқыту үлгісін (GAT және DDPMs) әзірлеуде жатыр, бұл мультимодальды физиологиялық сигналдар (ЖСВ, ЭЭГ және SpO2 сияқты) арасындағы күрделі, сызықтық емес өзара байланыстарды талдауға мүмкіндік береді . Бұл, сызықтық корреляцияға негізделген дәстүрлі әдістерге қол жетімсіз, ұйқының бұзылуын көрсететін нәзік көпөлшемді заңдылықтарды анықтау қабілетін арттырады . Сенсор деректеріндегі шуды тиімді басу үшін DDPMs пайдалану кіріс деректерінің жоғары сенімділігі мен сапасын қамтамасыз етеді, бұл кейінгі диагностиканың дәлдігі үшін өте маңызды. Жобаланған IoT-жүйесінің архитектурасы нақты уақыт режимінде деректерді масштабталатын және тиімді жинау үшін негізді қамтамасыз етеді. Экономикалық тиімділік дәлірек және қолжетімді диагностика үшін негіз қалау арқылы қол жеткізіледі. Жобаның мақсаты болып табылатын ерте кезеңде ұйқы бұзылыстарын анықтау дәлдігін арттыру болашақта денсаулық сақтау жүйесіне түсетін ауыртпалықты азайтуға және қымбат клиникалық зерттеулерге кететін шығындарды азайтуға мүмкіндік береді.

Field of application (in Russian) : Телемедицина и дистанционный мониторинг пациентов в режиме реального времени. Носимые медицинские устройства (IoMT) и "умные" гаджеты для мониторинга сна (например, повязки на голову, браслеты). Системы поддержки принятия врачебных решений (CDSS) и платформы для диагностики нарушений сна. Предиктивная аналитика для персонализированных рекомендаций по улучшению сна. Медицинские и технологические компании, специализирующиеся на мониторинге здоровья, и научные исследовательские центры ("Лаборатории сна").

Field of application (in Kazakh) : Телемедицина және пациенттерді нақты уақыт режимінде қашықтан мониторингілеу. Ұйқыны бақылауға арналған тағылатын медициналық құрылғылар (IoMT) және "ақылды" гаджеттер (мысалы, басқа тағатын таңғыштар, білезіктер). Дәрігерлік шешімдерді қолдау жүйелері (CDSS) және ұйқы бұзылыстарын диагностикалауға арналған платформалар. Ұйқыны жақсарту бойынша дербестендірілген ұсыныстарға арналған болжамды аналитика. Денсаулық мониторингіне және ұйқыны басқаруға маманданған медициналық және технологиялық компаниялар , сондай-ақ ғылыми-зерттеу орталықтары ("Ұйқы зертханалары").