ghealth: ابزاری برای تبدیل داده‌های Fitbit و Pixel Watch به خوراک مدل‌های زبانی

تصور کنید برای دسترسی به داده‌های ضربان قلب یا کیفیت خواب خود، مجبور باشید با پیچیدگی‌های احراز هویت OAuth 2.0 و فرمت‌های دشوار داده دست‌وپنجه نرم کنید. ابزار ghealth تمام این مراحل تکراری و کدهایboilerplate را حذف می‌کند تا توسعه‌دهندگان بتوانند داده‌های سلامت را مستقیماً از API نسخه چهارم گوگل هلث (Google Health API v4) در ترمینال یا محیط یک عامل (Agent) دریافت کنند.

به گزارش MarkTechPost، این ابزار دقیقاً زمانی عرضه شده است که گوگل در حال انتقال توسعه‌دهندگان از API قدیمی Fitbit به نسخه قدرتمندتر Google Health API v4 است. همان‌طور که در تحلیل قبلی ما درباره‌ی چالش‌های سرعت و پایداری Gemini در سخت‌افزارهای خانگی اشاره کردیم، گوگل اکنون با ارائه دسترسی‌های برنامه‌ریزی‌شده و ساختاریافته، سعی دارد داده‌های سلامت را برای استفاده در سامانه‌های خودکار آماده کند. این حرکت نشان‌دهنده فشار گوگل برای ایجاد دسترسی‌های قابل‌اعتمادتر و ماشینی به معیارهای سلامت شخصی است.

معماری ابزار و مجوزها

ghealth که به زبان Go نوشته شده و تحت مجوز Apache 2.0 منتشر شده است، صراحتاً با رویکرد «اول-عامل» (Agent-first) طراحی شده است. این ابزار در سازمان GitHub مربوط به Google-Health-API قرار دارد؛ جایی که مخازن قدیمی و longstanding Fitbit نیز میزبانی می‌شوند.

توسعه‌دهندگان می‌توانند با دستور go build -o ghealth آن را از سورس کد بسازند. از آنجا که این ابزار به صورت یک فایل باینری واحد و خودکفا (self-contained) عرضه می‌شود، استقرار آن در محیط‌های مختلف بسیار ساده است. این CLI اکنون ۴۰ نوع دادهٔ تأییدشده را در قالب JSON ساختاریافته ارائه می‌دهد تا داده‌های خواب، ضربان قلب و گام‌ها مستقیماً به پنجرهٔ زمینه (Context Window) — که شبیه به میز کاری است که مدل برای پردازش اطلاعات در لحظه در اختیار دارد — تزریق شوند. این رویکرد در حقیقت بازتابی از تغییر کلی در نحوه مصرف داده‌ها توسط مدل‌های زبانی است؛ جایی که ساختارهای داده‌ای دقیق جایگزین کلیدواژه‌های سنتی شده‌اند تا ماشین‌ها بتوانند اطلاعات را با دقت بیشتری استخراج کنند.

سطح داده‌ها: ۴۰ نوع تأیید شده

این ۴۰ نوع داده شامل طیف وسیعی از سیگنال‌های ساعت‌های Pixel Watch و دستگاه‌های Fitbit است:

• معیارهای عمومی: شامل تعداد گام‌ها (steps)، ضربان قلب (heart-rate)، خواب (sleep)، وزن (weight)، اشباع اکسیژن (oxygen-saturation) و تغییرات ضربان قلب (HRV).
• داده‌های کلینیکی: مواردی مانند الکتروکاردیوگرام (ECG) که برای دسترسی به آن‌ها نیاز به محدوده دسترسی خاص ecg.readonly است. این سطح از دسترسی به داده‌های حساس پزشکی، پتانسیل‌های بالایی برای ابزارهای تشخیصی دارد، مشابه آنچه در توسعه اپلیکیشن‌های آزمون پزشکی پویا با GPT-5.2 مشاهده می‌کنیم.
• تلفیق داده‌ها: این ابزار از عملیات reconcile استفاده می‌کند. این قابلیت دقیقاً مشابه Reconciled Stream در API v4 است و برای ادغام نقاط دادهٔ هم‌پوشان که از چندین منبع مختلف جمع‌آوری شده‌اند، به کار می‌رود.

قابلیت‌های فنی و تنظیمات

برای راه‌اندازی، کاربر دستور ghealth setup را اجرا می‌کند که یک مراحل راهنما (wizard) برای پیکربندی کلاینت OAuth از نوع Desktop در کنسول گوگل کلاود فعال می‌کند. این ابزار برای امنیت بیشتر از یک جریان بدون سر (headless flow) با استفاده از PKCE و چالش S256 استفاده می‌کند. همچنین برای اطمینان از احراز هویت امن، یک پارامتر state تصادفی را در پایان فرآیند اعتبارسنجی می‌کند.

قابلیت‌های کلیدی عملیاتی عبارتند از:

• عملیات داده: پشتیبانی از دستورات list ،rollup ،daily-rollup و reconcile.
• انواع قابل نوشتن: امکان ایجاد (create)، به‌روزرسانی (update) و حذف (delete) برای داده‌های تمرین (exercise)، خواب، وزن، درصد چربی بدن (body-fat) و قد (height).
• یکپارچگی با عامل: ارائه دو فایل SKILL.md. یکی بر روی احراز هویت، تنظیمات و فلگ‌های جهانی (global flags) متمرکز است و دیگری تمامی ۴۰ نوع داده، عملیات‌ها، الگوها و نکات ریز (gotchas) را مستند کرده است. عامل‌ها این مهارت‌ها را از طریق دستور npx skills add نصب می‌کنند.
• خروجی منعطف: پشتیبانی از فرمت‌های --format csv و --format table و همچنین فلگ --dry-run برای تست و فلگ --raw برای دریافت پاسخ‌های اصلی و خام API.
• ذخیره‌سازی امن: ذخیره اعتبارنامه‌ها در مسیر ~/.config/ghealth/ با حالت فایل 0600. این ابزار هیچ کلید مشترکی نگه نمی‌دارد و توکن‌ها به صورت خودکار رفرش می‌شوند.

برای مثال، اگر بخواهید مراحل خواب پنج شب گذشته را با جزئیات استخراج کنید، دستور ghealth data sleep list --limit 5 --detail را اجرا می‌کنید. این دستور به جای ارائه یک خلاصه ساده، داده‌های مرحله‌به‌مرحله (بیدار، عمیق، REM) را ارائه می‌دهد که برای شناسایی الگوهای هفتگی حیاتی است.

دستورات عملی و خروجی‌ها

خواندن داده‌ها در تمام دسته‌ها یکسان است؛ هر درخواست خواندن، شیئی شامل ردیف‌هایی تحت عنوان dataPoints را برمی‌گرداند. برای استخراج مجموع گام‌های روزانه یک هفته، دستور ghealth data steps daily-rollup --from 2026-03-22 --to 2026-03-29 را به کار می‌بریم.

صفحه‌بندی (Pagination) در این ابزار بدون نقص (lossless) است. اگر یک لیست بزرگ توکنی به نام nextPageToken را برگرداند، کاربر به سادگی آن را با فلگ --page-token بازمی‌گرداند تا صفحه بعدی داده‌ها را دریافت کند. همچنین فلگ -o به کاربران اجازه می‌دهد داده‌ها را در یک فایل بنویسند در حالی که پیش‌نمایشی از طرح‌واره (schema) را در ترمینال مشاهده می‌کنند.

این تغییر رویکرد به سمت طراحی «عامل-محور» به این معناست که داده‌های سلامت دیگر در داشبوردهای بسته و اختصاصی زندانی نیستند. با تولید خروجی‌های JSON پایدار و کدهای خروج قطعی (deterministic exit codes)، کاربر می‌تواند متغیرهای HRV یا روندهای خواب خود را مستقیماً به یک جلسه در Claude Code یا Codex بفرستد تا تحلیل فوری دریافت کند.

برای کاربر عادی، این ابزار یک گجت پوشیدنی را از یک ردیاب غیرفعال به یک پایگاه داده قابل پرس‌وجو تبدیل می‌کند. برای مثال، می‌توان با دستور ghealth data exercise export-tcx --id <id> --output ride.csv --as csv نقاط ردیابی را همراه با ضربان قلب و GPS استخراج کرد و سپس آن فایل را با استفاده از pd.read_csv در یک pandas dataframe برای تجسم داده‌های سفارشی بارگذاری نمود.

در نهایت، توسعه‌دهندگان باید توجه کنند که هرچند ghealth فرآیند دسترسی را ساده می‌کند، اما گوگل همچنان تمام محدوده‌های Health API را در دسته «محدود» (Restricted) قرار می‌دهد. این به این معنی است که در حالی که استفاده شخصی (تأیید پروژه خودتان برای حساب خودتان) ساده است، هرگونه اپلیکیشن در سطح تولید (production-level) همچنان نیازمند بررسی رسمی حریم خصوصی و امنیت توسط گوگل خواهد بود. این سخت‌گیری‌های امنیتی در حالی رخ می‌دهد که طرح‌های جدیدی در کنگره آمریکا برای ممنوعیت فروش داده‌های پزشکی کاربران توسط چت‌بات‌ها در حال بررسی است تا حریم خصوصی کاربران در برابر بهره‌برداری‌های تجاری محافظت شود.

گام بعدی شما

• اگر از Pixel Watch یا Fitbit استفاده می‌کنید، مخزن ghealth را در گیت‌هاب بررسی کرده و با ghealth setup داده‌های خود را استخراج کنید.
• برای تحلیل پیشرفته، خروجی JSON را به یک مدل استدلالی (Reasoning Model) بدهید تا الگوهای ارتباطی بین کیفیت خواب و ضربان قلب شما را تحلیل کند.
• در صورتی که توسعه‌دهنده هستید، فایل‌های SKILL.md را بررسی کنید تا نحوه تعریف ابزارها برای عامل‌های هوشمند را بیاموزید.

اما قدرت واقعی این داده‌ها زمانی مشخص می‌شود که با مدل‌های تحلیل پیش‌بین ترکیب شوند؛ به بررسی ما درباره کاربردهای مدل‌های استدلالی در تحلیل داده‌های زیستی مراجعه کنید.