Разработка приложения распознавание действий человека на основе анализа сенсорных данных мобильных устройств (на примере конкретного действующего субъекта)

ГЛАВА 1. АНАЛИТИЧЕСКАЯ ЧАСТЬ

1.1. Технико-экономическая характеристика предметной области и предприятия

В этом разделе необходимо описать общую ситуацию в сфере мобильных приложений, дать характеристику ООО "Мобильные технологии" (структура, специализация, используемые технологии), а также обозначить роль автоматизации в повышении эффективности бизнес-процессов.

Пример содержания: ООО "Мобильные технологии" разрабатывает приложения для отслеживания физической активности. В текущей практике сбор и интерпретация сенсорных данных (акселерометр, гироскоп) выполняется вручную или с использованием устаревших алгоритмов, что снижает точность распознавания активности.

Сложности:

• Отсутствие открытых данных о деятельности ООО "Мобильные технологии" — потребуется моделирование реалистичного кейса.
• Необходимость увязать общие тренды индустрии мобильных приложений с конкретной задачей распознавания действий.

Время выполнения: 10–12 часов.

1.2. Характеристика комплекса задач и обоснование необходимости автоматизации

Здесь раскрывается суть ручного процесса распознавания активности, его недостатки (низкая точность, высокая трудоёмкость, отсутствие масштабируемости) и формулируется обоснование перехода к автоматизированному решению.

Пример содержания: В настоящее время сотрудники ООО "Мобильные технологии" вручную анализируют логи сенсоров, что занимает до 5 часов в день на одного пользователя. Автоматизация позволит сократить время обработки до нескольких секунд и повысить точность распознавания.

Сложности:

• Требуется чётко выделить проблему и показать, как именно автоматизация решает её.
• Необходимо избегать общих фраз — важно показать количественные и качественные выгоды.

Время выполнения: 8–10 часов.

1.3. Анализ существующих разработок и выбор стратегии автоматизации

Анализируются аналогичные решения (например, Google Fit, Apple Health, open-source библиотеки для ML-классификации активности), их сильные и слабые стороны. На основе сравнения выбирается стратегия: использовать готовую модель, дообучить её или разработать с нуля.

Пример содержания: Сравниваются библиотеки TensorFlow Lite, Core ML и подходы на основе LSTM-сетей. Выбрана стратегия дообучения предварительно обученной модели на данных конкретного пользователя («конкретного действующего субъекта»).

Сложности:

• Глубокое понимание современных методов машинного обучения и их применимости к мобильным платформам.
• Необходимость корректного цитирования источников и избегания плагиата при описании аналогов.

Время выполнения: 12–14 часов.

1.4. Обоснование проектных решений

Формулируются архитектурные и технологические выборы: язык программирования (например, Kotlin/Java для Android), фреймворк машинного обучения, метод сбора и предобработки данных, подход к обучению модели (on-device или cloud-based).

Пример содержания: Решено использовать архитектуру клиент-сервер, где мобильное приложение собирает данные, а модель обучается на сервере, но инференс выполняется локально для снижения задержек и обеспечения конфиденциальности.

Сложности:

• Необходимо аргументировать каждый выбор с учётом требований ГОСТ и специфики темы.
• Риск выбора устаревших или неподходящих технологий.

Время выполнения: 10–12 часов.

Выводы по главе 1 — краткое резюме проделанного анализа, подтверждающее необходимость и обоснованность автоматизации распознавания активности в ООО "Мобильные технологии".
Время: 4–6 часов.

ГЛАВА 2. ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ ИНФОРМАЦИОННОЙ СИСТЕМЫ

2.1. Разработка проекта автоматизации

Формируется техническое задание, схема взаимодействия компонентов (мобильное приложение, сервер, база данных), диаграммы (UML, поток данных). Описывается жизненный цикл данных от сбора до вывода результата.

Пример содержания: Диаграмма последовательности показывает, как акселерометр передаёт данные в модуль предобработки, затем в классификатор, который возвращает метку действия (ходьба, бег, покой).

Сложности:

• Требуются навыки проектирования ИС и владение инструментами (например, draw.io, PlantUML).
• Необходимо соблюдать логическую связь между главами 1 и 2.

Время выполнения: 14–16 часов.

2.2. Информационное обеспечение задачи

Описывается структура базы данных (если используется), формат хранения сенсорных данных, метаданные, принципы нормализации. Приводятся ER-диаграммы или таблицы.

Пример содержания: Таблица SensorData содержит поля: timestamp, user_id, acc_x, acc_y, acc_z, gyro_x, label. Для обучения используется CSV-файл с размеченными действиями конкретного субъекта.

Сложности:

• Сложность моделирования данных без реальной БД.
• Необходимость соблюдения норм ГОСТ при оформлении схем.

Время выполнения: 8–10 часов.

2.3. Программное обеспечение задачи

Подробное описание архитектуры приложения, ключевых модулей, алгоритмов (например, фильтрация шума, извлечение признаков, классификация). Приводятся фрагменты кода с пояснениями.

Пример содержания: Модуль FeatureExtractor вычисляет среднее, дисперсию и FFT-спектр окна данных. Классификатор — нейросеть с 2 скрытыми слоями, обученная на TensorFlow.

Сложности:

• Требуется знание ML и мобильной разработки.
• Оформление кода по ГОСТ (отступы, комментарии, нумерация).

Время выполнения: 16–20 часов.

2.4. Контрольный пример реализации проекта и его описание

Приводится сценарий использования: пользователь запускает приложение, выполняет действия (ходьба, бег), система распознаёт и отображает результат. Включаются скриншоты интерфейса, логи, метрики точности (accuracy, F1-score).

Пример содержания: При тестировании на данных одного субъекта точность распознавания составила 92%. Приложение корректно отличает бег от ходьбы даже при шуме.

Сложности:

• Нужно смоделировать или собрать реальные данные.
• Требуется интерпретация метрик и их связь с практической пользой.

Время выполнения: 12–14 часов.

Выводы по главе 2 — подтверждение, что разработанная система решает поставленную задачу, соответствует требованиям и готова к внедрению.
Время: 4–6 часов.

ГЛАВА 3. ОБОСНОВАНИЕ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ ПРОЕКТА

3.1. Выбор и обоснование методики расчёта экономической эффективности

Выбирается подход: расчёт экономии времени, снижения затрат, повышения качества. Обосновывается выбор показателей (например, NPV, ROI, срок окупаемости).

Пример содержания: Используется методика расчёта экономии трудозатрат. Принимается, что автоматизация освобождает 4 часа в день на одного аналитика.

Сложности:

• Отсутствие реальных финансовых данных ООО "Мобильные технологии".
• Необходимость соблюдения методических указаний Синергии по экономике.

Время выполнения: 6–8 часов.

3.2. Расчёт показателей экономической эффективности проекта

Приводятся таблицы с расчётами: затраты на разработку, эксплуатационные расходы, экономия, чистый доход, срок окупаемости.

Пример содержания: Затраты на разработку — 250 тыс. руб. Ежемесячная экономия — 60 тыс. руб. Срок окупаемости — 4,2 месяца.

Сложности:

• Нужно корректно оценить все статьи расходов и доходов.
• Риск арифметических ошибок.

Время выполнения: 8–10 часов.

Выводы по главе 3 — подтверждение экономической целесообразности внедрения системы распознавания активности в ООО "Мобильные технологии".
Время: 4–6 часов.

Список используемой литературы — оформление по ГОСТ, минимум 20 источников (включая нормативные документы, учебники, статьи).
Время: 4–6 часов.

Приложения — исходный код, схемы, анкеты, логи, инструкции.
Время: 4–6 часов.

Итоговая трудоёмкость

Раздел	Часы
Введение	7
Глава 1	40
Выводы по главе 1	5
Глава 2	60
Выводы по главе 2	5
Глава 3	20
Выводы по главе 3	5
Заключение	7
Литература	5
Приложения	5
Итого	159 часов

Самостоятельное написание ВКР по теме «Разработка приложения распознавание действий человека на основе анализа сенсорных данных мобильных устройств (на примере конкретного действующего субъекта)» требует 150–200 часов сосредоточенной работы.

Готовые инструменты и шаблоны для Разработка приложения распознавание действий человека на основе анализа сенсорных данных мобильных устройств (на примере конкретного действующего субъекта)

Шаблоны формулировок

• Актуальность: «В условиях роста рынка мобильных приложений для отслеживания активности возрастает потребность в точных и энергоэффективных методах распознавания действий на основе сенсорных данных, что делает тему актуальной для ООО "Мобильные технологии"».
• Цель работы: «Разработка и внедрение мобильного приложения для распознавания действий человека на основе анализа сенсорных данных с учётом особенностей конкретного пользователя».

Пример расчёта экономической эффективности

Показатель	Значение
Экономия времени, час/мес	80
Стоимость 1 часа работы	1 500 руб.
Ежемесячная экономия	120 000 руб.
Затраты на разработку	300 000 руб.
Срок окупаемости	2,5 месяца

Чек-лист «Оцени свои силы»

• Есть ли у вас доступ к реальным или синтетическим данным сенсоров?
• Знакомы ли вы с методами машинного обучения и мобильной разработки?
• Готовы ли вы потратить 4–5 недель по 30–40 часов в неделю?
• Уверены ли вы в знании требований Синергии к оформлению ВКР?

Если на 2+ вопроса ответ «нет» — стоит рассмотреть профессиональную помощь.

И что же дальше? Два пути к успешной защите

Путь 1. Самостоятельный

Вы берёте на себя весь объём (см. таблицу выше), рискуете столкнуться с техническими сложностями, правками научного руководителя, стрессом и задержкой сдачи. Но получаете ценный опыт.

Путь 2. Профессиональный

Вы экономите 150+ часов, получаете работу, полностью соответствующую требованиям Синергии, с гарантией уникальности и поддержкой до защиты. Это особенно важно, если у вас плотный график или слабая техническая база.