最新研究表明，基于苹果手表行为数据训练的AI模型能比传统传感器方案更精准预测多种健康问题。这项由苹果支持的研究近日发表于学术期刊。
题为《超越传感器数据：可穿戴设备行为数据基础模型提升健康预测》的论文介绍了一种通过分析用户行为标记健康风险的机器学习模型。与专注心率、血氧等实时传感器数据的方法不同，该模型能识别人们长期活动、睡眠和运动的模式特征。
研究核心是被命名为”可穿戴行为模型”(WBM)的基础架构，可分析由苹果手表本地算法计算的高阶行为指标，包括步数、睡眠时长、心率变异性及活动能力等。
研究发现该AI模型在特定健康问题检测上优于纯生物特征数据模型。WBM在识别β受体阻滞剂使用等静态健康状态，以及睡眠质量、呼吸道感染等短期状况时表现突出。结合传统生物特征数据的混合方案中，妊娠检测准确率最高达92%。
研究数据来自超过16万参与者的”心脏与运动研究”项目，通过苹果设备自愿分享数据。该基础模型训练时长超25亿小时，完成57项健康预测任务评估。其时间序列机器学习架构可识别持续数日或数周的行为变化，从而发现渐进性健康问题。
研究人员指出，当前可穿戴设备已具备支持大规模AI分析的能力。虽然该模型是否会转化为用户功能尚不明确，但证明现有苹果手表硬件在精准健康分析方面仍有巨大潜力。
