Данные о движении смартфона могут надежно предсказывать срывы и приступы желания курить, позволяя своевременно оказывать помощь в отказе от курения

Как ваш телефон может помочь бросить курить

Многие сейчас носят в кармане мощный набор датчиков и даже не задумываются об этом — свой смартфон. В этом исследовании поставлен простой вопрос с большими личными ставками: могут ли крошечные движения, которые ваш телефон уже записывает, тихо сигнализировать о том, что вы вот‑вот испытаете сильное желание курить или соскользнёте к старым привычкам, чтобы помощь успела прийти вовремя?

От триггеров курения к немым сигналам

Годы исследований по помощи курильщикам сосредотачивались на очевидных триггерах: где человек находится, с кем он, или которое сейчас время суток. Эти подсказки полезны, но несовершенны, и зачастую зависят от самосообщений о приступах и срывах, которые могут быть неточны или неполны. Смартфоны и носимые устройства изменили правила игры, пассивно собирая подробную информацию о наших движениях, но этот богатый поток данных о движении редко использовался для понимания поведения курильщиков вне лаборатории.

Простое приложение и месяцы данных из реальной жизни

Исследовательская команда попросила 17 ежедневных курильщиков в Великобритании установить простое приложение на свои телефоны. В течение двух недель участники нажимали одну кнопку в приложении каждый раз, когда курили. Затем они попытались бросить, и в течение трёх месяцев фиксировали любые срывы и оценивали свои позывы, когда те были сильными, или как минимум раз в день. На протяжении обеих фаз приложение бесшумно записывало движение с трёх встроенных датчиков: акселерометра, гироскопа и магнитометра, а также уровень освещённости и время суток. Телефон могли носить как угодно, он не был закреплён на какой‑то части тела, поэтому данные отражали естественную повседневную жизнь, а не лабораторные условия.

Обучение модели распознавать опасные моменты

Чтобы проверить, могут ли эти тонкие паттерны движения предвещать события, связанные с курением, учёные разрезали запись датчиков на непересекающиеся пятиминутные срезы и помечали каждый срез как «курение», «порыв» или «ничего», опираясь на отчёты в приложении. Затем они сравнили несколько современных моделей искусственного интеллекта, предназначенных для выявления закономерностей во временных рядах. Лучшей оказалась модель, которая сочетала две техники глубокого обучения в составной цепочке. Когда модели подавали только данные о движении с трёх датчиков, она правильно предсказывала, произойдёт ли событие курения в следующие пять минут примерно в 85 процентах случаев в период до попытки бросить. В течение последующих трёх месяцев она также достигала около 77–78 процентов точности при отметке сильных порывов и срывов.

Паттерны, работающие для разных людей

Важный вопрос заключался в том, уникальны ли эти паттерны движения для каждого человека или они общие для курильщиков. Чтобы проверить это, команда обучала модель на данных перед отказом от курения от всех, кроме одного участника, а затем просила предсказать срывы и позывы оставшегося человека в период отказа. Поворачивая таким образом всех участников, модель по‑прежнему показывала хорошие результаты: в среднем она могла различать пятиминутные окна с высоким и низким риском с показателем, указывающим на хорошее разделение между ними. Особенно хорошо модель предсказывала позывы, что предполагает: тонкие изменения в движениях людей до того, как они даже коснутся сигареты, могут быть надёжным предупреждением.

Почему крошечные движения могут быть важнее времени и места

Возможно удивительно, но датчики движения опередили более традиционные предикторы, такие как время суток или уровень освещённости, которые часто рассматриваются как ключевые подсказки в исследованиях курения. Время суток само по себе оказалось самым слабым предиктором. Магнитометр, на который влияют факторы окружающей среды, давал полезную информацию, но лишь незначительно улучшал результаты при добавлении к акселерометру и гироскопу. Поскольку телефоны использовались свободно, без фиксированного положения при ношении, маловероятно, что модель просто выучила конкретные места или позы. Скорее всего, она улавливает широкие, повторяющиеся паттерны повседневного движения, которые обычно предшествуют позывам и срывам, даже когда сами люди этого не осознают.

Что это может означать для пытающихся бросить

Для человека, пытающегося бросить курить, самые опасные моменты часто коротки: когда порывы резко возрастают и очень легко потянуться за сигаретой до того, как придёт поддержка. Это исследование показывает, что данные о движении, уже собираемые обычными смартфонами, можно превратить в своего рода систему раннего предупреждения, выявляющую эти моменты за несколько минут вперёд, без необходимости в GPS‑локализации или подробной личной истории. В будущем такие модели могли бы питать приложения для отказа от курения, которые тихо отслеживают рискованные паттерны в ваших движениях и вмешиваются с вовремя подобранной поддержкой, инструментами или контактами, когда вы в них больше всего нуждаетесь; та же идея в перспективе может помочь и при других поведенческих проблемах со здоровьем.

Цитирование: Abo-Tabik, M., Costen, N. & Benn, Y. Smartphone movement data can reliably predict smoking lapses and cravings to enable timely smoking cessation support. Sci Rep 16, 15719 (2026). https://doi.org/10.1038/s41598-026-49611-y

Ключевые слова: отказ от курения, датчики смартфона, прогнозирование желания, глубокое обучение, цифровое здравоохранение