一篇由苹果机器学习团队发表于arxiv.org预印本服务器的研究论文表明，这家科技公司正在探索使用人工智能算法对行为数据进行分析，以便在未来Apple Watch等可穿戴设备上实现更多健康功能。
文章指出，这种行为数据——即人们移动、锻炼和睡眠的方式——可能比仅依赖当前可穿戴设备中基于PPG传感器的生理数据（如心率或血氧水平）更能有效发现新兴健康状况。
虽然目前尚不确定新型“可穿戴行为模型”(Wearable Behaviour Model, WBM)人工智能是否会最终应用于成品中——尤其是考虑到消费者科技公司在记录此类健康数据时所面临的隐私考量——但这篇论文为我们揭示了健康可穿戴设备未来可能的发展方向。
据研究人员介绍，WBM的主要优势在于它基于的是数天至数周内生成的数据，而非原始传感器数据几秒钟的时间框架，后者容易受到个体短期和瞬态因素的影响。
WBM的训练数据来自参与“苹果心率与运动研究”(Apple Heart and Movement Study)的16.2万人提供的共计25亿小时的可穿戴设备数据，并在57项健康检测任务中进行了测试，范围从识别特定健康状况到检测常见药物（如β受体阻滞剂和止痛药）的使用情况。
研究发现，将WBM与常规传感器分析相结合，在大多数任务中的表现都优于单独使用PPG传感器。例如，在预测房颤（AFib）方面，组合模型效果更佳。
尤其在检测妊娠方面，组合模型的表现尤为出色——据作者称准确率达到92%——同时在识别睡眠障碍、感染和损伤方面也表现出色。唯一例外的是糖尿病识别，此时单独使用PPG传感器更为有效。
研究人员在论文中写道：“如果能够安全且负责任地开发和部署基于可穿戴数据（如WBM）的预测模型，它们在临床应用中具有巨大潜力。”
他们指出，这些模型可能用于支持临床决策、对患者进行后续随访分诊，以及实现“即时”的临床干预。
“通过实现持续、无创的监测和对重要健康事件的早期检测，此类模型可以支持更具前瞻性和个性化的护理——特别是在那些行为信号是早期强烈指示因素的疾病领域。”
【全文结束】
