蘋果 AI 模型新突破，健康狀態識別準確率最高達 92%

　　7 月 11 日消息，蘋果與美國心臟協會以及哈佛醫學院附屬布萊根婦女醫院合作的最新研究表明，用戶行為數據(活動量、睡眠、運動等)可能比心率、血氧等傳統生物指標更能反映健康狀況。

　　為驗證此觀點，研究人員利用超過 25 億小時的穿戴設備數據訓練新型底層模型 WBM(穿戴設備行為模型)，發現其表現顯著超越現有方案。

　　結果顯示，該模型性能可匹敵甚至超越基于原始傳感器數據的現有模型。與此前依賴心率傳感器(PPG)或心電圖(ECG)等原始數據的健康模型不同，WBM 直接學習更高階的行為指標：步數、步態穩定性、活動能力、最大攝氧量(VO? max)等(基于 Apple Watch 持續生成)。

　　通過結合 WBM 和 PPG 數據表征，研究團隊在整體層面上實現了更準確的結果，例如混合模型在妊娠檢測方面有著高達 92% 的準確率，并在睡眠質量、感染、損傷以及心房顫動檢測等心血管相關任務方面持續提升。

　　WBM 使用的指標雖源于傳感器，但經提煉后更能突出真實行為模式與健康趨勢，具有更高穩定性、可解釋性及長期建模適配性。

　　IT之家查詢發現，其預印論文已于 6 月 30 日發布在 arxiv 上，標題為《超越傳感器數據：穿戴設備行為數據的底層模型提升健康預測能力》，源自蘋果心臟與運動研究(AHMS)。

　　消費級穿戴設備(如智能手表和健身追蹤器)提供跨健康領域的豐富信息... 健康監測的關鍵是檢測靜態健康狀態(如吸煙史、高血壓病史、β 受體阻滯劑使用情況)和動態健康狀態(如睡眠質量、當前妊娠狀態)。此類預測需以人類行為的時間尺度(日 / 周)為基準，而非原始傳感器數據的秒級時間尺度...

　　盡管既往研究多聚焦原始傳感器數據建模，但穿戴設備的高階行為信息(體力活動、心血管健康、活動能力指標)才是解決此類檢測任務的天然數據類型。不同于原始傳感器，這些高階行為指標經由嚴格驗證的算法處理生成，由專家精選以匹配生理相關量與健康狀態。更重要的是，這些數據反映個體行為模式而非純生理信號。行為數據對健康檢測極具潛力 —— 例如，表征步態與整體活動水平的指標可能對檢測妊娠等動態健康狀態至關重要。