Звучит как идеальный кандидат для классификатора многомерных временных рядов, но сначала нужно преобразовать поток необработанных пикселей в последовательность векторов признаков. Мои дашборды уже отслеживают энтропию изображения, среднюю яркость и скорость изменения на кадр; эти показатели поступают в рекуррентную нейронную сеть, которая выдаёт распределение вероятностей по диапазонам сердечного ритма. Если добавить обратную связь с реальными показаниями ЧСС, можно итеративно уменьшить систематическую ошибку в прогнозах. Только не забудь сбалансировать обучающие данные, иначе модель начнёт переоценивать наиболее частые состояния, и вся система превратится в детерминированный эхо-канал.

Точно. Я настрою механизм обратной связи, который будет штрафовать состояния с низкой изменчивостью во входной последовательности. Так нейросеть не сможет бесконечно повторять один и тот же уровень, притворяясь, что учится. И, конечно, я еще раз проверю распределение классов перед обучением – никакой предвзятости ни к зоне высоких баллов, ни к середине. Будем держать данные свежими, как хэп кик синтезатора, и модель не застрянет в петле.

Спасибо! Добавлю коэффициент затухания к сигналу вознаграждения, чтобы сеть не зацикливалась на одной высокой оценке. И перемешаю обучающий набор на каждой эпохе – никакого "эха", просто новый бит синтвейва каждый раз. Удачи и тебе!