一项新的科学研究表明，来自Apple Watch的行为信息，如身体活动、心血管健康和移动性指标，可能比单纯的传感器原始数据更能反映一个人的健康状况。
多年来，苹果公司已与医学研究人员在多个领域展开合作，从月经周期、匹克球运动到听力损失和睡眠追踪。这家iPhone制造商还研究了马拉松跑者训练和有氧运动情况，作为多年期“心脏与运动研究”（Heart and Movement Study）的一部分，该研究使用了Apple Watch数据。
心脏与运动研究是推动健康运动和改善心血管健康的更广泛计划的一部分。现在，另一篇由苹果资助的研究论文基于心脏与运动研究的数据，解释了行为数据相较于传统硬件传感器获取的生物识别数据，如何更有效地作为健康指标。
这篇题为《超越传感器数据：来自可穿戴设备的行为数据基础模型提升健康预测》（"Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions"）的研究指出，身体活动、心血管健康和移动性指标对于检测短暂和静态健康状态特别有用。
静态健康状态例如包括一个人是否吸烟、是否患有高血压，或者是否正在使用β受体阻滞剂药物。而怀孕则属于短暂健康状态。传感器数据通常是在较低时间尺度（秒级）上收集的，而短暂健康状态可能持续数月。
可穿戴健康行为基础模型（WBM）
基于这些信息，研究人员创建了所谓的WBM（Wearable Behavior Model，可穿戴健康行为基础模型）。该模型基于“来自可穿戴设备的行为数据”进行训练，使用了Apple心脏与运动研究中162,000名参与者超过150亿小时的测量数据。
该模型使用从原始传感器数据中提取的行为模式，而不是直接处理原始生物传感器数据。WBM使用了“27种可解释的HealthKit指标”，这些指标是通过验证方法从低级传感器数据中计算得出的。这些指标包括锻炼时间、站立时间、血氧水平、心率测量等。
研究人员解释说：“与建模原始传感器数据相比，这些衍生指标由专家选择，因为它们与有意义的生理健康状态一致。”简而言之，WBM利用从原始传感器数据中提取的模式来预测一个人的健康状态，研究表明这种方法优于依赖传感器数据流的传统检测方法。
“该模型在以行为驱动的任务（如睡眠预测）中表现出色，并且在与原始传感器数据表示结合时进一步提升。”研究报告还指出，WBM在57项与健康相关的任务中进行了测试，在大多数情况下优于传统的PPG（光电容积描记）模型。
具体而言，在预测静态健康状态（如β受体阻滞剂的使用）方面，WBM优于PPG，因为它能更可靠地检测白天的心率下降。在预测怀孕等短暂健康状态时，WBM也优于PPG，但未能比PPG更好地预测糖尿病。“在生理信息已足够的情况下，低级传感器数据的表现优于行为数据，”研究指出。
为什么PPG+WBM混合模型有用，以及适用场景
因此，研究人员还探索了一种混合的PPG+WBM模型，该模型显著提高了预测性能。WBM检测从原始传感器数据中提取的行为模式，其中可能包含关于个人健康的重要信息。PPG则可以识别即时的生理变化。两者互为补充，尤其是在仅靠生理信息不足以判断、而行为成为有意义预测因素的情况下。
研究人员指出：“最终，我们发现，在大多数任务中，WBM和PPG模型嵌入的组合产生了最准确的模型。这种组合在所有模型中实现了最佳的年龄预测性能，明显优于单独使用任一模型。”
混合方法在怀孕检测中尤其有用，因为确定这种短暂健康状态需要两种类型的数据。总体而言，在研究人员测试的47项结果中，该方法在42项中表现最佳。
从实际应用来看，苹果公司可以采用这种混合方法来进一步发展其现有的健康技术。换句话说，使用类似WBM的模型与现有的Apple Watch PPG或ECG（心电图）传感器结合。该公司对健康相关功能的兴趣一直持续，这意味着未来可能会有进一步的改进。
【全文结束】
