苹果 AI 模型新突破，健康状态识别准确率最高达 92%

　　7 月 11 日消息，苹果与美国心脏协会以及哈佛医学院附属布莱根妇女医院合作的最新研究表明，用户行为数据(活动量、睡眠、运动等)可能比心率、血氧等传统生物指标更能反映健康状况。

　　为验证此观点，研究人员利用超过 25 亿小时的穿戴设备数据训练新型底层模型 WBM(穿戴设备行为模型)，发现其表现显著超越现有方案。

　　结果显示，该模型性能可匹敌甚至超越基于原始传感器数据的现有模型。与此前依赖心率传感器(PPG)或心电图(ECG)等原始数据的健康模型不同，WBM 直接学习更高阶的行为指标：步数、步态稳定性、活动能力、最大摄氧量(VO₂ max)等(基于 Apple Watch 持续生成)。

　　通过结合 WBM 和 PPG 数据表征，研究团队在整体层面上实现了更准确的结果，例如混合模型在妊娠检测方面有着高达 92% 的准确率，并在睡眠质量、感染、损伤以及心房颤动检测等心血管相关任务方面持续提升。

　　WBM 使用的指标虽源于传感器，但经提炼后更能突出真实行为模式与健康趋势，具有更高稳定性、可解释性及长期建模适配性。

　　IT之家查询发现，其预印论文已于 6 月 30 日发布在 arxiv 上，标题为《超越传感器数据：穿戴设备行为数据的底层模型提升健康预测能力》，源自苹果心脏与运动研究(AHMS)。

　　消费级穿戴设备(如智能手表和健身追踪器)提供跨健康领域的丰富信息... 健康监测的关键是检测静态健康状态(如吸烟史、高血压病史、β 受体阻滞剂使用情况)和动态健康状态(如睡眠质量、当前妊娠状态)。此类预测需以人类行为的时间尺度(日 / 周)为基准，而非原始传感器数据的秒级时间尺度...

　　尽管既往研究多聚焦原始传感器数据建模，但穿戴设备的高阶行为信息(体力活动、心血管健康、活动能力指标)才是解决此类检测任务的天然数据类型。不同于原始传感器，这些高阶行为指标经由严格验证的算法处理生成，由专家精选以匹配生理相关量与健康状态。更重要的是，这些数据反映个体行为模式而非纯生理信号。行为数据对健康检测极具潜力 —— 例如，表征步态与整体活动水平的指标可能对检测妊娠等动态健康状态至关重要。