Apple的研究人员与南加州大学合作，开发了一种新的人工智能（AI）模型，该模型追踪行为数据而非传感器信号。这项新研究基于Apple Heart and Movement Study（AHMS）的先前工作，旨在探讨行为数据（例如睡眠模式和步数）是否比传统指标（如心率和血氧水平）更能反映一个人的健康状况。根据这篇论文，该AI模型的表现令人惊讶，但也有一些限制。
新Apple研究显示超越传统健康数据的好处
这项题为《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》的研究发布在预印本期刊arXiv上，尚未经过同行评审。研究人员着手开发了一种名为Wearable Behaviour Model（WBM）的AI模型，该模型依赖于从可穿戴设备中提取的处理过的行为数据，例如一个人的睡眠时长及快速眼动（REM）周期、每日步数和步态，以及其活动模式在一周内的变化。
传统上，为了预测或评估某人的健康状况，可穿戴健康研究通常关注原始传感器读数，例如连续的心率监测、血氧水平和体温。研究认为，虽然这些数据有时是有用的，但它们缺乏对个体的完整背景信息，并且可能存在不一致性。
无论怎样，到目前为止，行为数据——大多数可穿戴设备也会处理的数据——尚未被用作可靠的人体健康指标系统。研究指出，这主要有两个原因。首先，这种数据比传感器数据更加庞大，因此也可能非常嘈杂。其次，创建能够收集和分析这些数据并可靠地进行健康预测的算法和系统极具挑战性。
这正是大型语言模型（LLM）发挥作用的地方，解决了数据分析的问题。为了解决数据中的噪声问题，研究人员向模型输入了结构化和处理过的数据。这些数据来自超过162,000名参与AHMS研究的Apple Watch用户，总计超过25亿小时的可穿戴设备数据。
一旦完成训练，该AI模型使用了27种不同的行为指标，这些指标被分为活动、心血管健康、睡眠和移动能力等类别。随后，它在57个与健康相关的任务上进行了测试，例如判断某人是否患有特定的疾病（糖尿病或心脏病）以及跟踪临时的健康变化（从受伤或感染中恢复）。研究人员声称，与基线准确性相比，WMB在47项结果中有39项表现优于其他模型。
WBM模型的结果随后与仅使用原始心率数据（也称为光电容积描记图（PPG）数据）的另一个测试模型进行了比较。有趣的是，在单独比较时，没有明确的赢家。然而，当研究人员将两种模型结合起来时，预测和健康分析的准确性被测得更高。
研究人员相信，将传统的传感器数据与行为数据相结合可以提高健康状况预测的准确性。研究指出，行为数据指标更容易解释，与现实生活中的健康结果更一致，并且受技术错误的影响较小。
值得注意的是，研究还强调了几个关键限制。数据来自美国的Apple Watch用户，未能代表更广泛的全球人口。此外，由于能够精确收集和存储行为数据的可穿戴设备价格较高，预防性医疗的可及性也成为了一个挑战。
(全文结束)