共计 1304 个字符，预计需要花费 4 分钟才能阅读完成。
一项由 Apple 支持的最新研究表明，行为数据（如运动、睡眠、锻炼等）通常比心率或血氧等传统生物测量指标更能反映健康状况。为了验证这一观点，研究人员开发了一个基于可穿戴设备收集的行为数据训练的基础模型，其表现令人瞩目。
这篇预印论文《超越传感器数据：来自可穿戴设备的行为数据基础模型改善健康预测》是 Apple 心脏与运动研究（AHMS）的成果。研究人员在超过 25 亿小时的可穿戴数据上训练了一个新的基础模型，结果显示该模型可以与（甚至超越）基于低级别传感器数据的现有模型相媲美。
他们将这个新模型称为 WBM，即“可穿戴行为模型”。虽然以往的健康相关基础模型主要依赖于原始传感器数据流，如 Apple Watch 的心率传感器（PPG，光电容积描记法）或心电图（ECG），但 WBM 直接从更高级别的行为指标中学习：步数、步态稳定性、活动能力、最大摄氧量（VO₂ max）等。这些数据 Apple Watch 都能大量生成。
但如果 Apple Watch 已经拥有这些传感器，新模型的意义何在？研究中的答案如下：
“消费者可穿戴设备，如智能手表和健身追踪器，提供了跨多种健康领域的丰富信息。健康监测的一个重要方面是检测静态健康状态——例如，某人是否有吸烟史、是否曾诊断为高血压或是否正在服用 β 受体阻滞剂。另一个关键问题是检测瞬态健康状态，例如某人的睡眠质量或是否目前怀孕。这些预测所需数据的关键特性是，它们通常处于人类行为的时间分辨率（例如，天和周），而不是从可穿戴设备收集的原始传感器数据的低级别时间尺度（例如，秒）上。
换句话说，虽然 Apple Watch 收集原始传感器数据，但这些数据可能嘈杂、过多，并且并不总是与有意义的健康事件一致。尽管 WBM 使用的指标基于这些传感器数据，但数据经过提炼以突出现实世界的行为和健康相关趋势。它们更稳定、更容易解释，并且更适合建模长期健康趋势。
在实践中，WBM 从处理后的行为数据中发现模式，而不是直接依赖于原始传感器信号。WBM 在 AHMS 中 161,855 名参与者的 Apple Watch 和 iPhone 数据上进行了训练。该模型被输入了 27 个人类可解释的行为指标，如活动能量、步行速度、心率变异性、呼吸频率和睡眠时长。
数据被分解为每周块，并通过基于 Mamba- 2 的新架构进行处理，该架构在此用例中表现优于传统的 Transformer（GPT 的基础）。在 57 项健康相关任务的评估中，WBM 在 47 项静态健康预测任务中的 18 项（如某人是否服用 β 受体阻滞剂）中表现优于基于 PPG 的模型，并且在几乎所有动态任务（如检测怀孕、睡眠质量或呼吸道感染）中表现优异。唯一的例外是糖尿病，PPG 单独表现更好。
更令人欣慰的是：结合 WBM 和 PPG 数据表示总体上产生了最准确的结果。混合模型在怀孕检测中达到了惊人的 92% 准确率，并在睡眠质量、感染、损伤和心血管相关任务（如房颤检测）中持续获得收益。
最终，该研究并未试图用 WBM 取代传感器数据，而是对其进行补充。像 WBM 这样的模型捕捉长期行为信号，而 PPG 捕捉短期生理变化。但两者结合，可以更早地标记出有意义的健康变化。
如果想了解更多关于 Apple 心脏与运动研究及其他研究的信息，可以访问此处。
